迈向流体力学中的多智能体自主推理

单智能体系统（SAS）已成为LLM驱动的科学工作流的默认模式，但通过单一上下文窗口进行路由规划、工具使用与综合会带来众所周知的代价：随着工具规范和观测轨迹不断累积，可用于每次决策的有效上下文不断萎缩，端到端可靠性随之下降。我们提出了一个面向流体力学的多智能体系统（MAS）原型，其中专门的智能体通过层执行图（LEG）进行协调。规划智能体依据自然语言路由启发式构建针对具体查询的执行拓扑，这些启发式捕捉领域知识而无需将其硬编码为僵化的控制逻辑；专家智能体在严格的工具白名单下运行，并承担互补的数据类别角色。在层与层之间，汇聚智能体将并行输出融合为简明摘要，报告智能体综合出最终回答，同时运行时为每次工具调用记录来源以支持可审计性。所有基准测试、消融实验和压力测试均使用Claude Sonnet 4.6作为专家智能体和通用智能体的骨干模型。在跨越六个复杂度类别的37个查询上评估，该原型实现了93.6%的事实精确率与100%的通过率。从单线程到五条独立并行轨道的各次运行中，准确率均保持在90%以上；在模拟个别数据源丢失的情况下，系统能优雅降级，仍返回有实质内容的部分答案。综合来看，这些结果表明由规划器引导的图结构多智能体编排能够有效缓解制约单体单智能体架构的上下文饱和瓶颈。