用于闭环优化、仿真和建模编排的工具增强代理

arXiv:2605.20190v1 公告类型：新 摘要：迭代工业设计仿真优化受到 CAD-CAE 语义差距的瓶颈：在不同的耦合约束下将仿真反馈转换为有效的几何编辑。为了填补这一空白，我们提出了 COSMO-Agent（闭环优化、模拟和建模编排），这是一种工具增强的强化学习 (RL) 框架，可教会法学硕士完成闭环 CAD-CAE 流程。具体来说，我们将 CAD 生成、CAE 求解、结果解析和几何修改作为交互式 RL 环境，法学硕士在其中学习编排外部工具并修改参数几何形状，直到满足约束。为了使这种学习稳定并在工业上可用，我们设计了一种多约束奖励，共同鼓励可行性、工具链稳健性和结构化输出有效性。此外，我们还提供了一个符合行业的数据集，涵盖 25 个组件类别以及可执行的 CAD-CAE 任务，以支持实际的培训和评估。实验表明，COSMO-Agent 训练极大地改善了小型开源 LLM 的约束驱动设计，在可行性、效率和稳定性方面超过了大型开源和强大的闭源模型。