基于智能体的风险感知集合式工程设计

摘要

本文提出一个由大语言模型（LLM）引导的多智能体框架，用于辅助工程设计早期阶段，这一阶段通常以庞大的参数空间和固有的不确定性为特征。该框架在人在环路范式下运行，并在经典的气动翼型设计问题上进行了演示，它采用一组专门化智能体：Coding Assistant、Design Agent、Systems Engineering Agent和Analyst Agent，全部由人类Manager协调。该流程融入集合式（set-based）设计理念：先由Manager与Coding Assistant协作开发一套经验证的工具，随后各智能体执行结构化工作流，系统地探索并剪裁大量初始设计候选。本工作的一个关键贡献是显式整合了形式化风险管理，采用条件风险价值（CVaR）作为定量指标，过滤掉很可能无法满足性能要求（具体即目标升力系数）的设计。该框架通过Analyst智能体执行全局敏感性分析，实现劳动密集型初步探索的自动化，其产生的可操作启发式规则用于指导其他智能体。流程最终向人类Manager呈现一份精选的、有前景的设计候选集合，并辅以高保真计算流体力学（CFD）仿真。该方法有效利用AI承担大批量分析任务，从而增强人类专家在选定最终经风险评估设计时的决策能力。

基于智能体的风险感知集合式工程设计：论文配图 — 图 1：具有风险过滤策略的基于 LLM 的基于集合的设计工作流程示意图。 LLM 工作流程由四个代理组成：设计工程师、系统工程师、编码助理和分析师，每个代理都分配有指定的角色和任务。该工作流程利用编码助理按照经理的指示开发的不同工具。工作流程从人类经理向设计工程师提供设计问题开始。设计工程师配备了一套工程工具，然后根据一定的规则开发、分析和过滤设计候选方案。经过一系列的设计筛选和改进后，迭代设计审查和改进周期开始，系统工程师根据效用分数对设计解决方案进行审查和评级，并与基准翼型设计进行比较。最终设计候选方案由系统工程师和人力资源经理共同审查，并确定在设计过程中保留哪些设计。一旦人类经理确定了一组可行的候选设计并请求对这些候选进行 CFD 分析，该流程就会结束。