近年來，大型語言模型（LLM）在科學工作流中的應用日益廣泛，但單智能體系統在處理複雜任務時面臨一個顯著問題：隨着工具規範和觀測軌跡的累積，有效上下文空間不斷縮小，導致端到端可靠性下降。針對這一挑戰，研究人員（Jinpai Zhao, Albert Cerrone, Joannes Westerink, Clint Dawson）提出了一種面向流體力學的多智能體系統原型，通過層執行圖（Layer Execution Graph, LEG）來協調專業智能體。該成果以論文形式於2026年5月1日提交至arXiv（編號2605.01102）。
在該系統中，規劃器智能體利用自然語言路由啓發式，為每個查詢構建特定的執行拓撲，從而將領域知識融入系統，而不固化為剛性控制邏輯。專業智能體擁有嚴格的工具允許列表，並扮演互補的數據角色，例如處理不同的數據類別。層與層之間，合併智能體將並行輸出融合為簡潔簡報，最終由報告智能體合成最終響應。運行時記錄每次工具調用的來源，以確保可審計性。所有基準測試、消融實驗和壓力測試均以Claude Sonnet 4.6作為骨幹模型，涵蓋六個複雜度類別的37個查詢。
實驗結果顯示，該原型實現了93.6%的事實準確率和100%的通過率。從單線程到五個並行獨立軌道的運行中，準確率始終保持在90%以上。即使在模擬單個數據源丟失的情況下，系統也能優雅降級，返回有意義的局部答案。這些結果表明，規劃器引導的圖結構多智能體編排能夠有效緩解單體架構中的上下文飽和瓶頸，為科學自主推理提供了新的範式。