摘要： 拓扑优化能够生成高效的结构，但设计者通常必须手动将定性意图（例如期望的视觉风格、产品体验或可制造性）转化为与这些偏好没有直接关联的求解器设置。我们提出了 TO-Agents，一个将自然语言设计意图与迭代式拓扑优化连接起来的多智能体 AI 框架。该框架将人类提供的问题描述转化为经过验证的求解器输入，运行拓扑优化求解器，渲染生成的 3D 拓扑结构，并使用多视角视觉-语言推理结合一个独立的评判智能体来评估每个结果并修改求解器参数。我们在两个长周期设计任务上评估了该框架：一个悬臂梁基准测试和一个手机支架产品设计。在这两个任务中，设计者指定了对受自然树木形态启发的层级分支结构的美学偏好，系统在十个独立重复实验中执行了四个修订周期。在每个案例研究中，TO-Agents 在 60% 的试验中至少产生了一个符合偏好的设计，这相当于比没有视觉或历史反馈的消融管道多出多达 6 倍的成功试验。评判分数和人工评估表明，该管道能够识别有效的参数杠杆、从糟糕的修订中恢复，并扩展设计探索。一个制造智能体进一步对排名靠前的设计进行后处理以用于增材制造，实现了从意图到原型的端到端设计。我们还识别了失败模式，包括过度修正、选择性记忆、工具错用以及参数推理错误。这些结果表明，智能体拓扑优化可以将设计者从低层次的参数调整转向更高层次的形式与功能规格说明，同时突显了实现可靠自主工程设计所需的安全保障措施。