CAX-Agent：用于可靠APDL自动化的轻量级智能体执行框架

部署于MAPDL有限元仿真的大语言模型面临实际的可靠性挑战：在缺乏结构化执行控制、工具封装与故障恢复时，输出可能不一致，任务失败也很常见。智能体Harness范式通过插入领域特定的编排中间件来应对这一挑战，由中间件管理工具生命周期、工作流状态与恢复升级。本文提出专为MAPDL自动化构建的轻量级智能体Harness——CAX-Agent的架构，并对其中一个核心组件——恢复策略——进行实证评估。CAX-Agent将执行组织为三层——LLM服务、智能体Harness与求解器后端——并配备恢复阶梯，从确定性规则修补逐步升级到模型驱动再生、上下文充实与人工介入。我们在50个标准结构基准上评估三种恢复策略（no_recovery、rule_only与model_only），每种策略重复运行三次（共450次案例运行）。两名独立人工评分者在盲评条件下对任务完成度打分；评分者间一致性很强（二次加权Cohen's kappa = 0.84，96%的评分对相差不超过1分）。model_only取得最佳完成率（0.9267）、任务得分（3.59/4）、总分（9.16/10）与零干预率（0.84），以大效应量（Cliff's delta = 0.81-0.87）优于rule_only（0.7733、3.17/4、7.03/10、0.00）与no_recovery（0.6933、2.74/4、5.60/10、0.00）。该基准刻意采用简单几何以隔离恢复策略的影响；我们讨论了这些发现的适用范围及更广泛验证的方向。