基于大模型和多智能体的协同作战飞机（CCA）前期探索设计

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：

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。

上述参考资料，请扫描下面的二维码加入圈子后下载。

一、概念设计阶段与集合式设计

1.1 概念设计阶段

概念设计阶段，是复杂工程系统开发过程中最关键的阶段。

在这个阶段做出的决策，可决定高达 75% 的产品全生命周期成本。

在这个关键阶段，设计者必须在庞大且往往定义不清的设计空间中探索分析，以识别出有前景的解决方案。

概念设计阶段，从属于系统采办前的模糊的前端。

所谓模糊的前端，指的是系统采办之前的所有前期活动。

这个阶段之所以模糊，是因为它具有以下特性： 

• 高度不确定性：市场需求、技术可行性、最终规格都还不明确。 

• 信息不完整：缺乏足够的数据来做出精确的预测和决策。 

• 多可能性：存在大量潜在的解决方案和技术路径。 

• 探索性：需要探索、学习、发现和定义真正的问题以及最优的解。 

• 高风险与高回报：在这个阶段做出的决策，对项目的最终成败影响最大，但同时也是产生颠覆性创新的最佳时机。 

1.2 集合式设计

概念设计阶段必须考虑广泛的备选方案，并逐步细化。

应对这一挑战的常规方法，通常被称为点式设计（point-based design），追求早期尽快确定单一最优解并反复迭代。

点式设计的优点是简单直接，设计工作量小。缺点是，当没预见到的约束条件或更优替代方案出现时，会导致代价高昂的设计返工。

为解决点式设计的局限性，集合式设计（Set-Based Design, SBD，或基于集合的设计）——其根源可追溯至丰田汽车的设计实践——提供了一个更为稳健和灵活的替代方案。

与点式设计追求尽快确定单一最优解并反复迭代不同，SBD 要求工程设计团队在开发早期保持多个可行方案，通过逐步收窄可行解集合实现收敛。

参考资料[3] 总结了 SBD 的三大核心原则：

第一，映射设计空间：定义可行区域、探索多方案权衡、沟通可能性集合；

第二，通过交集整合：寻找可行集合的交集、施加最小约束、追求概念鲁棒性；

第三，在承诺最终设计方案前确立可行性：逐步细化并收窄集合、一旦承诺便保持在内、通过流程关口管理不确定性和风险。这种策略避免了过早锁定不是最优的设计方案，通过激进的前期样机和实验降低后期失败风险。

从数学上来看，SBD 把设计过程看成一套集合的层层收缩。初始有一个连续的 N 维设计空间 D 中的一个区域。整个流程就是从这个区域里不断筛选过滤掉不靠谱的区域，最后只剩少数几个设计。

整个过程是：

D ⊇ S0 ⊇ S1 ⊇ S2 ⊇...⊇Sk⊇Sk+1 ... ⊇ Sf

这里 S0 是第一批初始的候选设计方案集，Sf 是经过多轮筛选过滤最终幸存下来的候选设计方案组成的设计集。

从第 k 步到第 k+1 步，靠两个算子接力完成：

Sk+1= Fk( Mk( Sk ) )，

Mk 叫修改算子，负责在现有集合里生出新候选设计方案、或者微调改进原有的候选设计方案。

Fk 叫过滤算子，负责按性能、可行性或者风险指标把差的候选设计方案给剔除掉。

最终筛选得到的集合 Sf 长这样：

Sf = { x ∈ D | U(x) ≥ τ* 且 CVaR_α(X) ≥ γ* }

上面这个集合 Sf 的定义的意思是说，一个候选设计方案要活到最后，必须同时满足两条硬件要求——期望效用 U 不低于阈值 τ*，而且它在最极端的尾部场景里的平均表现（CVaR）也不低于阈值 γ*。

对于机翼翼型设计来说，期望效用 U 保证飞行性能好，CVaR 保证极端工况下也不会掉链子。

上述这个设计空间的收敛过程，传统是靠不同角色的工程师（包括系统工程师、设计工程师、数据分析师、软件工程师）组成的设计工程团队来完成的（下图左）。

但是因为现在有火热的 AI4SE，我们可以将其中相当一部分工作让 AI 智能体来干（下图右）。

二、AI 智能体：人机编队的设计团队

2.1 AI4SE

2025年的 AI4SE & SE4AI 论文（详见本文参考资料[2]），记录了2025年9月在华盛顿特区举办的第六届 AI4SE 和 SE4AI 研讨会。

这个研讨会共有250多人参会，政府、学界、工业界、联邦资助研究中心四方都有代表出席。

这份报告在 AI4SE 这块，总结了专家的共识。我觉得其中有几点和本文要介绍的内容非常相关，所以列在这里作为上下文知识：

1. 数字工程是基础：AI 在系统工程中的应用，前提是要有数字工程环境。

2. 生成式 AI 可压缩前期工程周期：前期工作可以用生成式 AI 大幅加速。

3. 通用模型必须绑定领域知识：成功的 AI 集成不能只靠 LLM。需要把通用模型与结构化领域知识、严格工程规范结合，输出才有工程可信度。

4. 系统工程师角色转型：从模型构建者变成人机协作的协调者。未来工程师的核心能力不是手工建模，而是设计人机工作流、分配任务边界、验证机器输出。

5. AI 必须嵌入现有工作流：不能把 AI 当作独立工具对待。必须嵌入现有工作流、治理框架和组织文化。

2.2 多智能体系统

理解了上述 AI4SE 的专家共识，我们就可以来看这个研究（详见参考资料[1]）提出的多智能体系统（MAS）框架中，不同角色的智能体到底如何分工的，以及这些智能体之间以及人类与智能体之间是如何交互来实现上述的 SBD 流程的探索和收敛的。

在这个多智能体系统中，工程设计领域的不同角色的智能体作为数字劳动力，在大语言模型（LLM）的编排和人类管理者的监督指导下执行机翼的空气动力学工程设计的 SBD 全流程。

• 软件工程师智能体：以人在环内方式开发概念设计所需的各种软件工具（详见本文第四部分），将人类自然语言描述的工具需求转化为可执行的代码。代码随后经人工验证后放到工具库中，为其他智能体提供高质量的现成的工具调用，避免其他智能体还要临时用 LLM 写代码。

• 设计工程师智能体：负责翼型几何构型的生成与迭代，先用实验设计方案生成输入采样，随后根据不同采样输入喂给低保真代理模型进行候选设计方案的初筛，再按敏感性分析报告定向调参，执行集合式设计的修改算子来改进候选设计方案。

• 分析工程师智能体：执行全局敏感性分析，将抽象的 CST 参数与机翼气动性能的因果关系量化，输出启发式调参规则，为设计工程师智能体迭代提供修改调参的方向。

• 系统工程师智能体：用多模态大模型评估数值（升力、阻力、力矩系数）和图像（表面压力分布曲线（Cp 图）和翼型几何轮廓图）。前期自动筛选过滤候选设计方案，后期与人类联合终审，输出候选设计方案有效或无效的判定。

2.3 系统工程中人类和AI的角色

在这项研究里创建了上面这四个角色的智能体。

实际上，AI4SE以及SE4AI，还需要更多的 AI 相关的角色。具体可以看这个文章：AI4SE 和 SE4AI：系统工程角色模型的演化历史和最新研究进展

三、多智能体系统各个智能体的分工

3.1 软件工程师智能体

为工程设计开发稳健的多智能体系统的一个核心挑战，就是确保智能体能够调用工程设计工作流中所需的工具。

为解决这一问题，这个 SBD 多智能体框架里，首先需要一个大模型驱动的专业化的软件工程师智能体。

这个智能体将人类用户的高层次自然语言需求，转化为可执行的代码。

注意，这个过程被有意设计为离线、人在环内的工作流，与工程设计循环分离。

比如，用户提出一个设计空间输入参数采样工具的需求：为设计工程师智能体开发一个使用拉丁超立方采样生成设计候选设计方案的工具。

软件工程师智能体则根据需求自动生成相应的代码。

人类管理者随后评估生成的代码的正确性和效率，实现迭代反馈循环以进行细化，直至这个工具被完全验证。

通过在主要设计任务开始前预先开发和验证整个工具集，可以大大减轻了智能体即时代码生成的风险。

这样做的好处是，提供了可以被智能体调用的可靠的工具库，从而增强了多智能体系统的整体可靠性。

3.2 设计工程师智能体

设计工程师智能体是 SBD 多智能体框架内的生成和迭代改进候选设计方案的 AI 智能体，对应传统的人类工程设计专家的角色。

其核心职责是通过两个阶段的过程探索设计空间 D：初始阶段的发散探索，随后是收敛的、数据驱动的细化。

在初始阶段，设计工程师智能体通过采样由 CST 参数定义的 9 维设计空间，自主生成多样化的候选设计方案翼型几何种群。

CST 是由 Kulfan 提出的一种翼型参数化设计的方法。它把翼型轮廓拆解为三个部分：类函数、形函数和尾缘厚度。

类函数 C(x) = x^0.5 * (1-x)^1.0，像模具一样固定了基本拓扑——前缘圆润、尾缘尖锐。形函数 S(x) 则是伯恩斯坦多项式的加权和，通过 9 个可调权重 wi 控制具体弯度和厚度分布。

相比传统方法，CST 不需要预设复杂方程，仅用少量参数就能覆盖广泛的翼型族，既灵活又直观。

这项研究将 CTS 的 9 个权重作为设计变量，构成 9 维设计空间，由智能体在此空间中采样、修改和优化。

然后，它使用计算成本低廉的代理模型快速估算关键空气动力学性能指标（如升力系数和阻力系数），然后用效用计算器工具得出总体效用得分并过滤出一组有前景的候选设计方案。

在随后的收敛阶段，设计工程师智能体的角色转为聚焦进行候选设计方案的改进。

与此同时，设计工程师智能体还会与系统工程智能体及人类用户进行沟通协作。

为实现候选设计方案的智能修改，设计工程师智能体需要基于数据分析智能体提供的敏感性分析给出的结果。

敏感性分析的定量分析结果，就是 CST 等不同输入参数对输出的空气动力学性能系数的影响分析。

借助敏感性分析提供的信息，设计工程师智能体就明白应该如何调整候选设计方案，从而高效地将翼型的性能导向期望最优值，从而加速收敛到高质量解。

3.3 数据分析智能体

数据分析智能体作为 SBD 多智能体框架内的分析智能体，负责将原始设计输入参数转化为可操作的启发式规则和建议，供设计工程师智能体使用。

虽然 CST 为表示翼型提供了强大而灵活的手段，但其权重参数与最大厚度、弯度或前缘半径等经典空气动力学形状特征之间缺乏直接、直观的联系。

这使得设计者（无论是人类还是AI智能体）难以预测特定 CST 权重的变化将如何影响空气动力学性能。

数据分析智能体通过敏感性分析这个工具，来系统评估每个 CST 设计变量与关键性能指标之间的影响。

通过处理大量仿真结果，数据分析智能体计算敏感性图，通常以相关矩阵形式，量化每个参数对设计目标的影响幅度和方向。

数据分析智能体不仅对原始数据进行敏感性分析；它还会把敏感性分析得到的 CTS 输入权重对输出的空气性能系数的影响分析结果，用大模型解读为一套简洁的启发式规则和改进建议。

例如，它可以给出类似这样的启发式规则和改进建议："增加上表面的9个 CTS 权重里的第三个权重与升力系数具有强正相关，但与阻力系数具有弱相关。"

这样一来，设计工程师智能体就知道怎么去调整候选设计方案的输入权重了。AI 智能体的设计改进过程，就能够以更高的效率和更准确的目的性，导航向设计空间 D 的最优设计区域。

3.4 系统工程师智能体

系统工程智能体在 SBD 多智能体框架内，充当主要设计评估者和战略指导者，负责对设计工程师智能体生成的翼型设计方案进行评估。

这个智能体使用多模态大模型，实现总体分析，模拟人类专家的判断。

系统工程师智能体以两种不同模式运行，即全自主模式和半自主模式，用于设计工作流的不同阶段。就像现在的代码设计开发智能体一样，有规划模式，编程模式、YOLO模式一样。

系统工程师智能体的全自主模式，用于广泛探索阶段。它基于预定义的性能指标为每个候选设计方案计算效用评级，并通过与基准翼型比较来评估翼面压力分布的好坏，然后完全自主过滤筛选出有效设计，无需人工干预。

随着设计过程收敛，候选设计方案的集合缩减到人类可管理的数量，人类参与变得切实可行，系统工程师智能体的运行模式需要过渡到半自主模式。

系统工程师智能体运行在半自主模式时，它作为人类管理者的协作伙伴，双方一起审查和评估最终候选设计方案。

除了单纯评估之外，系统工程智能体还可以提供可操作的反馈，来闭合设计工程师智能体的迭代设计改进循环。它可以提供对候选设计方案的全面评估，并结合人类管理者的具体指导，制定并向设计工程师智能体传达具体的设计改进策略，从而引导翼型几何的目标细化。

四、智能体调用的工具

设计工程师、数据分析师和系统工程师智能体，它们需要调用相关的工具。

这些工具传统是由软件工程师开发的。但是现在有了会写代码的大模型和 Code Harness工具，就可以由软件工程师智能体在人类的指导下开发。

这项研究规定，智能体要调用的工具，全部由软件工程师智能体预先开发并经人类验证，供另外三个智能体在后续的 SBD 探索收敛的循环中调用。

下面介绍软件工程师智能体开发的这几个工具。

4.1 参数采样器

它在 9 维 CST 参数空间里，根据指定采样策略生成参数空间的输入样本集合。

设计工程师智能体在调用参数采样器时，会指定三样东西：采样策略（拉丁超立方 / Sobol / 随机）、候选设计方案样本数 n，以及流体力学参数 Ma 马赫数、AoA 攻角、Re 雷诺数。

输出是一个 n 行 12 列的数组：前 3 列固定为 Ma、AoA、Re，后 9 列是采样得到的 CST 权重。同时生成设计编号列表（ID-1 到 ID-n），供后续追踪每个候选设计方案。

4.2 翼型生成器

利用 CTS 参数化设计方法，把 9 个权重变成具体几何坐标。

核心公式是：y(x) = C(x) * S(x) + x * yTE

其中 C(x) = x^0.5 * (1-x)^1.0，叫类函数，决定基本拓扑：圆前缘、尖尾缘。S(x) 是伯恩斯坦多项式的加权和，由 9 个 CST 权重控制。

上下表面分别计算，但下表面第一个权重强制等于上表面第一个，保证前缘连续——也就是曲率光滑，没有折角。

4.3 系数评估代理模型

代理模型有两个，它们各自的应用场景不同。

它的缺点是由于不模拟粘性效应（边界层、摩擦阻力、流动分离），其阻力预测仅含波阻而非总阻力，且在接近失速时升力预测不可靠。因此它仅用于早期大面积初筛，不能用于精细评估。

第二个是基于贝叶斯神经网络的代理模型。

这项研究训练了三个独立的贝叶斯神经网络代理模型，输入都是 12 维的向量——9 个 CST 翼型几何参数 + 雷诺数 Re + 马赫数 Ma + 攻角 AoA，输出则分别是阻力系数、升力系数和力矩系数的后验分布。

贝叶斯神经网络的输出不是单个数字，而是一个概率分布。这个概率分布正是后续 CVaR 风险过滤的输入。

贝叶斯神经网络回答了这个设计的性能分布是什么样，CVaR 则回答万一设计偏保守、或设计落在分布左尾，最极端场景时平均会多差。它们共同确保筛选出来的候选设计方案不仅平均表现好，而且在认知不确定性下的最差场景也扛得住。

4.4 翼面压力评估器

用 DeepONet 神经算子预测整条压力分布曲线 Cp(x)。

输入是 CST 参数和表面坐标，输出是弦线上每一点的压力系数。

这让系统工程师智能体能看整个机翼的完整图像：激波在哪里、强不强、有没有逆压梯度导致的分离风险。

4.6 效用计算器

工程上有升力、阻力、力矩系数三个机翼的重要指标，需要对它们按权重系数进行加权，把它们压缩成一个组合的效用标量值，方便评估机翼设计的总体性能，比如：

U_comb = 0.5 * U(升力系数) + 0.3 * U(阻力系数) + 0.2 * U(力矩系数)

三个系数的效用函数的定义是不同的：

• U(升力系数)：升力系数 < 0.5 时直接判死，给 -5；0.5 到 1.2 之间用平方根归一化，体现边际收益递减。

• U(阻力系数)：用指数衰减 exp(-65 * 阻力系数)，阻力稍微大一点就狠狠扣分。

• U(力矩系数)：简单线性映射，把典型范围压到 0 到 1。

基准翼型的 U_comb 约等于 0.40，因此被设为过滤筛选的阈值。低于它的候选设计方案，在第一轮就被刷掉。

五、多智能体系统的交互流程

理解了上面这些概念，我们就可以很容易的弄明白整个 SBD 多智能体系统框架的七个阶段：

上面这张图我们可以先从整体上来理解：一位人类管理者，带领四个前面介绍过的 AI 智能体，用一套软件工程师智能体预先开发好的工具链，把设计需求一步步变成经过风险筛选、CFD 验证的翼型候选设计方案。

5.1 Stage 0：工具开发

这是整个框架的造工具的准备阶段，发生在主设计循环之外。

人类管理者与软件工程师（编程助手）智能体协作，把后续需要的所有工具预先开发并验证完毕。人类管理者用自然语言描述需求，软件工程师智能体调用大模型生成可执行的代码。

代码生成后必须经过人类检查正确性、边界条件和运行效率，通常需要 2-3 轮迭代反馈优化后才能进入工具库。

当然，像贝叶斯神经网络代理这类复杂组件，AI 能搭出代码框架，但关键超参数的调优仍需人类专家介入。

这种离线预制、在线调用的架构，避免了 AI 在运行时即兴编码带来的幻觉风险，为整个多智能体系统奠定了可靠性底线。

5.2 Stage 1：用户下达设计任务

需求输入阶段。人类管理者向设计工程师智能体下达设计任务。

这个研究中的示例是一个机翼翼型设计问题：在雷诺数 Re = 6.3×10^6、马赫数 Ma = 0.6、攻角 AoA = 2.5° 的条件下，最大化升力系数 CL，同时兼顾阻力 CD、力矩 CM 和压力分布 Cp。

用数学公式来说，就是给定运行条件向量：q = (Ma, AoA, Re)，然后在 9 维 CST 参数空间 D 中寻找翼型几何参数 x ∈ D，使得 CL(x, q) 最大化，且 CD(x, q) 与 CM(x, q) 落在可接受范围。

这个设计任务一旦发出，后续所有智能体的运算都围绕这个固定的 q 和优化目标展开。

这个多智能体系统框架的灵活性在于，只要修改工具集中的效用函数和筛选过滤的阈值，就能改变设计目标——例如从最大升力改为最大升阻比——而不用重构整个工作流。

5.3 Stage 2：生成初始候选设计方案

收到设计任务请求后，设计工程师智能体在 9 维 CST 参数空间中调用参数采样器，生成候选翼型种群。

采样策略采用准蒙特卡洛方法（拉丁超立方或 Sobol），确保高维空间覆盖均匀。

设采样得到 N 个候选设计方案，每个对应一个 9 维参数向量 xi（i = 1, 2, ..., N）。然后调用基于无粘 Euler 方程的深度神经网络代理模型快速估算气动系数，得到 CLi、CDi、CMi，再用效用计算器压缩为效用得分 Ui。

算出每个候选设计方案的效用得分后，只取效用分最高的 100 个进入下一阶段，即 |S1| = 100。

对应的 SBD 收敛公式为：S1 = { xi ∈ S0 | U(xi) ≥ 0.4 }

这一步的目标是用毫秒级速度把设计空间从上千个候选设计方案砍到可管理的 100 个。

5.4 Stage 3：敏感性分析

由数据分析智能体执行，解决该调整哪个关键输入参数的问题。

它采用 Sobol 全局敏感性分析，量化 9 个 CST 参数对 CL、CD、CM 的影响程度。

Sobol 指数分两种：

• 一阶指数：Si = V(E(Y|Xi)) / V(Y)：表示参数 Xi 单独贡献的方差比例。

• 总效应指数：STi = E(V(Y|X~i)) / V(Y)，表示 Xi 包括所有交互作用在内的总贡献。

数据分析师智能体对 N = 128 个基础样本，按 Saltelli 方案扩展为 128 × (2×9 + 2) = 2560 个分析点，分别计算三个气动系数的一阶和总效应指数。

数据分析师智能体拿到敏感性分析的结果后，喂给大模型，就得到了自然语言描述的启发式规则，例如增大 CST_U2 这个输入参数，会提高升力系数、降低阻力系数。

这些启发式规则构成后续设计工程师智能体定向调整候选设计方案的指导，让候选设计方案的改进从随机试错变成有导航的定向进化。

5.5 Stage 4：设计修正与风险过滤

设计工程师智能体收到敏感性分析的启发式规则后，就可以对 Stage 2 保留的 100 个候选设计方案进行定向微调。

设修改后的集合为：S2'= M(S1)，其中 M 是修改算子。

然后调用贝叶斯代理模型重新评估，得到每个候选设计方案的升力系数的后验分布。

接着调用风险过滤器工具：对每个候选设计方案，从后验分布中抽 m = 200 个样本，排序后取最差 30%（因为 α = 0.7）算均值，即 CVaR_0.7(升力系数)。

风险过滤的过滤阈值是：CVaR_0.7(升力系数) ≥ 0.70

对应的 SBD 收敛公式为：S2 = { xi ∈ S2' | CVaR_0.7(CL(xi)) ≥ 0.70 }

经过风险过滤器的筛选过滤之后，100 个候选设计方案还剩 64 个。

这一步的目的是把平均表现好、但在极端情况下经不起折腾的候选设计方案剔除掉。

5.6 Stage 5：精细修正与压力分布评估

设计工程师智能体接下来，还要对 Stage 4 幸存的 64 个候选设计方案进行第二轮更精细的修改，目标是在保持已有优势的前提下进一步提高升力系数。

修改后再次用贝叶斯神经网络代理模型进行评估，取后验均值作为点估计。

然后重新计算效用分，取 Top 50 进入翼面压力的评估。

对应的 SBD 收敛公式为：S3 = Top_50( { xi ∈ S2 | 按 U(xi) 重新排序 } )

接着调用 DeepONet 神经算子代理模型，为这 50 个候选设计方案各自生成完整的翼面压力分布曲线 Cp(x)。

通过这条曲线，系统可以判断：

• 前缘吸力峰值强弱（影响升力和失速特性）

• 弦中是否出现激波凸峰（跨音速阻力来源）

• 后段压力恢复是否平滑（流动分离风险）

这 50 个候选设计方案带着效用得分和压力分布曲线，进入下一阶段的自动审查。

5.7 Stage 6：自动化设计审查与过滤

由系统工程师智能体执行，它同时读取定量的效用得分和定性的压力分布曲线图像。

这个阶段的筛选过滤条件很简单：一个候选设计方案必须同时满足：

U_comb ≥ 0.41 且 Cp 评级 ≥ 3

其中 Cp 评级采用 1-5 分制，基准翼型为 3 分。

对应的 SBD 收敛公式：S4 = { xi ∈ S3 | U_comb(xi) ≥ 0.41 且 Rating(Cp(xi)) ≥ 3 }

系统工程师智能体用多模态大模型读取每个候选设计方案的的 CL、CD、CM 数值和 Cp 曲线图像，对照基准翼型做比较。

例如上表面弦中附近出现强激波凸起的（如 ID-762），直接判为无效；压力恢复平滑、无显著分离征兆的（如 ID-470），判为有效。

这一步把数值好看但物理不合理的有缺陷的候选设计方案给剔除掉。

系统工程师智能体在此阶段，会交付一个干净的高质量短名单，供人类做最终判断。

Stage 6 的幸存候选设计方案，这时候终于进入人类管理者与系统工程师的智能体的联合审查。

这个阶段不再是自动打分，而是人机协作对话：人类看翼型几何参数、看压力分布曲线、凭经验做出判断，系统工程师智能体在一旁提供数据支撑。

如果人类认为某个候选设计方案还有优化改进的潜力，系统工程师智能体会生成具体修改指令返回给设计工程师智能体。

设当前候选设计方案为 x，人类反馈为 f，则下一轮候选设计方案为：

x' = M(x, f)

其中 M 修改算子，会同时受敏感性分析报告和人类针对性反馈的指导。

这样子的迭代持续 3-4 轮，最终逐步收敛到 4-5 个最满意的设计方案。

5.8 Stage 7：OpenFOAM 高保真 CFD 验证

人类管理者最终选出 4-5 个最满意的设计方案，然后触发 OpenFOAM 的 simpleFoam 求解器进行 RANS 高保真但同时也更耗时的 CFD 仿真。

最终 ID-394 和 ID-970 这两个设计方案被确认为可行解。

这样就完成了从代理模型快速探索到高保真物理仿真验证的闭环。

上述参考资料，请扫描下面的二维码加入圈子后下载。