CAX-Agent：用於可靠APDL自動化的輕量級Agent框架
CAX-Agent是一個專為MAPDL有限元模擬自動化設計的輕量級Agent框架，透過三層架構（LLM服務、Agent框架、求解器後端）和恢復階梯策略提升可靠性。實驗評估了三種恢復策略，其中基於模型的恢復（model_only）在完成率、任務評分和零干預率上顯著優於基於規則和無恢復策略。
大型語言模型（LLM）在MAPDL有限元模擬中的應用面臨可靠性挑戰：缺乏結構化執行控制、工具封裝和故障恢復時，輸出不一致且任務失敗頻發。Agent框架透過插入領域特定的編排中介軟體來管理工具生命週期、工作流狀態和恢復升級，從而解決這一問題。
本文介紹了CAX-Agent的架構，這是一個專為MAPDL自動化設計的輕量級Agent框架。CAX-Agent將執行過程組織為三個層次：LLM服務層、Agent框架層和求解器後端層。其核心恢復階梯策略從確定性規則修補逐步升級至模型驅動再生、上下文增強，最終訴諸人工干預。
研究團隊在50個標準結構基準測試上評估了三種恢復策略：無恢復（no_recovery）、僅規則（rule_only）和僅模型（model_only），每種策略重複三次，共450次案例執行。兩位獨立人類評分者在盲評條件下對任務完成情況進行打分，評分者間一致性高（二次加權Cohen's kappa = 0.84，96%的評分對相差不超過1分）。
結果顯示，模型驅動策略（model_only）在各項指標上均最優：完成率0.9267，任務評分3.59/4，總分9.16/10，零干預率0.84。相比之下，僅規則策略（rule_only）的完成率為0.7733，任務評分3.17/4，總分7.03/10，零干預率0.00；無恢復策略（no_recovery）的完成率為0.6933，任務評分2.74/4，總分5.60/10，零干預率0.00。效應量較大（Cliff's delta = 0.81-0.87）。
值得注意的是，基準測試故意採用簡單幾何體以隔離恢復策略效果。研究者討論了這些發現的適用範圍以及更廣泛驗證的方向。