解耦智能：SUMO 中可控流量场景生成的多代理 LLM 框架

大语言模型 (LLM) 与微观交通模拟的集成为自主城市规划和智能交通分析提供了一条有前途的道路。然而，现有的整体代理架构常常难以应对端到端仿真工作流程的复杂性，导致推理失败、参数不一致以及缺乏系统的状态管理。本文提出了一种新颖的多智能体协作框架，旨在自动化 SUMO（城市交通模拟）中交通模拟的整个生命周期。我们的方法将模拟管道解耦为专门的角色，包括规划者、构建者、需求、运行者和分析师，并由高级推理引擎协调。我们引入了一个状态持久的 Orchestrator，利用模型上下文协议 (MCP) 来确保分布式代理操作之间的无缝数据切换和环境一致性。该架构支持强大的闭环细化流​​程，其中对仿真结果进行迭代分析和优化，以满足用户定义的关键绩效指标 (KPI)。通过角色消融研究的实验结果表明，与单代理基线相比，所提出的多代理框架显着提高了任务成功率和参数准确性。此外，关于现实世界网络提取和流量优化的案例研究强调了系统弥合高级自然语言意图和低级模拟执行之间差距的能力。