工具增强型智能体：面向闭环优化、仿真与建模编排
摘要： 迭代式工业设计-仿真优化的瓶颈在于CAD-CAE语义鸿沟：即在多样且耦合的约束条件下，将仿真反馈转化为有效的几何编辑。为填补这一鸿沟，我们提出了COSMO-Agent（闭环优化、仿真与建模编排），这是一个工具增强型强化学习（RL）框架，旨在教会大语言模型（LLM）完成闭环的CAD-CAE流程。具体而言，我们将CAD生成、CAE求解、结果解析与几何修正构建为一个交互式RL环境，其中LLM学习编排外部工具并修正参数化几何体，直至满足约束条件。为使该学习过程稳定且具备工业实用性，我们设计了一种多约束奖励机制，该机制共同鼓励可行性、工具链鲁棒性以及结构化输出的有效性。此外，我们还贡献了一个面向工业的数据集，涵盖25个组件类别及可执行的CAD-CAE任务，以支持真实的训练与评估。实验表明，COSMO-Agent训练显著提升了小型开源LLM在约束驱动设计方面的能力，在可行性、效率与稳定性上超越了大型开源模型及强大的闭源模型。