面向闭环优化、仿真与建模编排的工具增强智能体

迭代的工业设计-仿真优化受制于CAD与CAE之间的语义鸿沟：在多样且相互耦合的约束下将仿真反馈转化为有效的几何修改。为填补这一鸿沟，我们提出COSMO-Agent（闭环优化、仿真与建模编排），一个工具增强的强化学习（RL）框架，教会大语言模型（LLM）完成闭环的CAD-CAE流程。具体而言，我们将CAD生成、CAE求解、结果解析与几何修改构建为一个交互式RL环境，其中LLM学习编排外部工具并修改参数化几何，直至约束得到满足。为使这一学习过程稳定且可被工业界使用，我们设计了多约束奖励，联合鼓励可行性、工具链稳健性与结构化输出有效性。此外，我们贡献了一个对齐工业需求的数据集，覆盖25个零部件类别并附带可执行的CAD-CAE任务，以支持贴近真实的训练与评估。实验表明，COSMO-Agent训练显著提升了小型开源LLM在约束驱动设计上的能力，在可行性、效率与稳定性上超越大型开源模型和强闭源模型。