CAX-Agent：用于可靠APDL自动化的轻量级Agent框架
CAX-Agent是一个专为MAPDL有限元仿真自动化设计的轻量级Agent框架，通过三层架构（LLM服务、Agent框架、求解器后端）和恢复阶梯策略提升可靠性。实验评估了三种恢复策略，其中基于模型的恢复（model_only）在完成率、任务评分和零干预率上显著优于基于规则和无恢复策略。
大型语言模型（LLM）在MAPDL有限元仿真中的应用面临可靠性挑战：缺乏结构化执行控制、工具封装和故障恢复时，输出不一致且任务失败频发。Agent框架通过插入领域特定的编排中间件来管理工具生命周期、工作流状态和恢复升级，从而解决这一问题。
本文介绍了CAX-Agent的架构，这是一个专为MAPDL自动化设计的轻量级Agent框架。CAX-Agent将执行过程组织为三个层次：LLM服务层、Agent框架层和求解器后端层。其核心恢复阶梯策略从确定性规则修补逐步升级至模型驱动再生、上下文增强，最终诉诸人工干预。
研究团队在50个标准结构基准测试上评估了三种恢复策略：无恢复（no_recovery）、仅规则（rule_only）和仅模型（model_only），每种策略重复三次，共450次案例运行。两位独立人类评分者在盲评条件下对任务完成情况进行打分，评分者间一致性高（二次加权Cohen's kappa = 0.84，96%的评分对相差不超过1分）。
结果显示，模型驱动策略（model_only）在各项指标上均最优：完成率0.9267，任务评分3.59/4，总分9.16/10，零干预率0.84。相比之下，仅规则策略（rule_only）的完成率为0.7733，任务评分3.17/4，总分7.03/10，零干预率0.00；无恢复策略（no_recovery）的完成率为0.6933，任务评分2.74/4，总分5.60/10，零干预率0.00。效应量较大（Cliff's delta = 0.81-0.87）。
值得注意的是，基准测试故意采用简单几何体以隔离恢复策略效果。研究者讨论了这些发现的适用范围以及更广泛验证的方向。