-
如何将 Agentic AI 嵌入到复杂系统的设计决策流程中？
-
如何科学高效地生成大量的变体设计方案，然后筛选收敛到少数设计方案？
-
如何从庞大的设计参数空间中，筛选出少数关键的设计输入参数？
-
前期探索有成千上万的变体构型需要仿真，如何加速仿真过程？
传统做法是选定一个设计方案干到底，出现问题再返工修改设计。
但更好的做法是：让多个不同角色的智能体，在多模态大模型的协助下，像丰田汽车的设计工程师设计汽车一样并行探索、经过实验设计（DoE）+代理模型初筛，然后通过敏感性分析改进和收敛候选设计方案，再配合金融风控领域的 CVaR 风险指标过滤极端场景下高风险的候选设计方案，最后剩下的少数几个最优的候选设计方案跑高保真的耗时的 CFD 仿真。
这项研究的主要贡献是：
贡献一：多智能体LLM协作架构
构建了一个由软件工程师、设计工程师、系统工程师和数据分析师四个专业化LLM智能体组成的多智能体系统，在人类统筹下协同工作。
每个智能体被赋予明确的角色边界与工具权限，形成人机协作的混合智能范式。
软件工程师智能体预先开发候选设计方案的分析、验证、评估工具；设计工程师智能体负责生成与修改候选设计方案；系统工程师智能体进行综合评估；数据分析师智能体通过敏感性分析，将机翼设计参数空间的输入输出影响关系，转化为可操作的工程启发式规则，指导设计工程师智能体进行定向设计修改，实现了从大规模发散探索到聚焦收敛的自动化闭环。
贡献二：集合式设计方法的自动化
将集合式设计（SBD，也叫基于集合的设计）形式化为序贯决策过程，通过修改算子与过滤算子的交替迭代，实现设计空间的自动收敛。
多智能体协作接管了从大规模输入参数采样、敏感性分析、定向方案修改到翼面压力分布评估的全流程。
贡献三：神经网络替代模型驱动的自动化探索
整合了三类神经网络代理模型以平衡计算效率与预测精度：
-
基于无粘 Euler 方程的深度神经网络用于快速初筛大量候选设计方案；
-
贝叶斯神经网络提供概率分布以支持风险量化；
-
DeepONet 神经算子预测连续压力分布以进行定性评估。
贡献四：风险感知的候选设计方案筛选
引入金融风控领域的条件风险价值（CVaR）作为关键的候选设计方案的过滤指标。通过评估候选设计方案在最差尾部场景（如最差30%预测）的期望性能，系统识别并剔除均值优异但存在严重欠性能风险的脆弱的候选设计方案，确保最终候选设计方案的鲁棒性。
读完这篇论文，我们会有如下收获∶
-
了解一个 AI4SE 在飞机设计领域的具体案例；
-
集合式设计（SBD）方法，如何应用到飞机的概念设计；
-
飞机概念设计的多智能体系统框架；
-
基于风险的设计，在飞机概念设计中的应用；
-
多保真度代理模型的应用。
基于本文介绍的这项研究，结合当前的代码 Harness（如CC，Codex，OpenCode等）的人机交互的实践和架构设计，就可以设计开发航空航天汽车等行业的概念设计探索的工程设计智能体了。
当然，至于如何开发工程设计智能体的 skill，人类如何与不同角色智能体的 session 进行交互，诸如此类的东东，这个研究没有讲到，留给大家思考。