基于物理的多代理架构，用于制造业中可追踪、具有风险意识的人类人工智能决策支持

自由形状航空航天部件的高精度 CNC 加工需要通过检查、模拟和工艺知识进行有限补偿。现成的 大语言模型 (LLM) 助手可以生成文本，但它们不能可靠地执行风险受限的多步骤数字工作流程或为高风险决策提供可审计的来源。我们提出了多智能体知识分析（MAKA），这是一种人机循环决策支持架构，它将意图路由、纯工具定量分析、知识图谱检索和基于评论家的验证分开，在建议浮出水面供人类批准之前强制执行物理合理性、安全界限和出处完整性。 MAKA 通过融合虚拟加工路径跟踪误差场、切削力和偏转模拟以及来自 16 个叶片的基于扫描的 3D 检测偏差图，在 Ti-6Al-4V 转子叶片加工测试台上进行实例化。该分析将偏差分解为与证据相关的路径组件、捕获跨零件系统演化的基于漂移的磨损代理、剩余系统合规项以及用于不稳定感知升级的变异性代理。在三级工具编排基准（单步到 $\geq$3 步状态序列）中，相对于具有相同工具访问权限的非结构化单模型交互模式，MAKA 将成功的工具执行提高了 87.5 个百分点。数字孪生假设研究表明，MAKA 可以协调可追踪的补偿候选方案，将模拟环境中大部分叶片的预测表面偏差从 $10^{-2}$in 减少到大约 $\pm 10^{-3}$in，为具有风险意识的人类决策提供部署前验证信号。