近年来，大型语言模型（LLM）在科学工作流中的应用日益广泛，但单智能体系统在处理复杂任务时面临一个显著问题：随着工具规范和观测轨迹的累积，有效上下文空间不断缩小，导致端到端可靠性下降。针对这一挑战，研究人员（Jinpai Zhao, Albert Cerrone, Joannes Westerink, Clint Dawson）提出了一种面向流体力学的多智能体系统原型，通过层执行图（Layer Execution Graph, LEG）来协调专业智能体。该成果以论文形式于2026年5月1日提交至arXiv（编号2605.01102）。
在该系统中，规划器智能体利用自然语言路由启发式，为每个查询构建特定的执行拓扑，从而将领域知识融入系统，而不固化为刚性控制逻辑。专业智能体拥有严格的工具允许列表，并扮演互补的数据角色，例如处理不同的数据类别。层与层之间，合并智能体将并行输出融合为简洁简报，最终由报告智能体合成最终响应。运行时记录每次工具调用的来源，以确保可审计性。所有基准测试、消融实验和压力测试均以Claude Sonnet 4.6作为骨干模型，涵盖六个复杂度类别的37个查询。
实验结果显示，该原型实现了93.6%的事实准确率和100%的通过率。从单线程到五个并行独立轨道的运行中，准确率始终保持在90%以上。即使在模拟单个数据源丢失的情况下，系统也能优雅降级，返回有意义的局部答案。这些结果表明，规划器引导的图结构多智能体编排能够有效缓解单体架构中的上下文饱和瓶颈，为科学自主推理提供了新的范式。