车辆气动阻力预测中自进化编码智能体的蓝图

高保真车辆阻力评估受到的制约与其说来自求解器运行时间，不如说来自工作流摩擦：几何清理、网格划分重试、队列争用，以及跨团队的可复现性失败。我们提出一个以契约为中心的自进化编码智能体蓝图，用于在工业约束下发现可执行的代理流水线来预测阻力系数$C_d$。该方法将代理模型发现形式化为针对程序（而非静态模型实例）的约束优化，并结合Famou-Agent风格的评估器反馈、基于种群的岛屿进化、结构化变异（数据、模型、损失与数据划分策略），以及在排序质量、稳定性与成本之间进行权衡的多目标选择。严格的评估契约在任何候选被准入之前强制执行防泄漏、确定性重放、多种子鲁棒性与资源预算。在八个匿名化的进化算子中，最优系统取得0.9335的Combined Score与0.9180的sign-accuracy，轨迹与消融分析表明自适应采样和岛屿迁移是收敛质量的主要驱动因素。部署模式明确为“筛选-升级”（screen-and-escalate）：代理模型为设计探索提供高通量排序，但低置信度或分布外案例会自动升级到高保真CFD。最终贡献是一套可审计、可复用的工作流，能在保持决策级可靠性、治理可追溯性与安全边界的同时加速气动设计迭代。