《LuBan架构:新一代AI原生工业设计智能软件体系》第四章 智能体层:设计意图驱动的多智能体协同框架

–智能体层:设计意图驱动的多智能体协同框架–

数据层解决设计过程如何被表示与复用,工具层解决建模能力如何被可靠调用。智能体层则进一步回答:当数据与工具已具备时,智能系统如何理解工程师的设计意图,并将其组织为可规划、可执行、可验证、可迭代修正的设计过程。

工业设计中的意图通常并非一条完整精确的命令,工程师可能给出自然语言描述需求、草图、图像、历史CAD模型、STEP文件、工程图纸或若干工程约束,其中既包含明确目标,也包含缺省参数、隐含规范和上下文依赖。本章所指的设计意图,正是智能体从这些输入中抽取、补全并组织形成的结构化工程目标,涵盖设计对象、关键特征、尺寸参数、装配关系、制造限制、知识来源和待澄清项。只有当这些信息被结构化表示并持续更新,后续的任务规划、知识检索、工具调用和验证反馈才有共同依据。

本章围绕三个问题依次展开:智能体如何理解模糊设计意图?如何规划复杂任务并生成可靠工具调用?如何通过闭环验证持续进化?

4.1 工业设计智能体的认知架构

在LuBan三层架构中,智能体层位于数据层和工具层之上,既要读取第二章所述的设计过程数据、参数化模板和知识证据,也要通过第三章所述的工具层接口调用CAD后端并接收执行反馈。因此,智能体层的核心职责并非直接“生成一个模型”,而是将设计意图组织为一系列可追踪的中间产物,并驱动这些中间产物在数据层、工具层和验证反馈之间持续流转。

这引出一个关键的架构问题:为什么工业设计智能体要拆分为多个认知模块?答案在于任务的异质性与可诊断性。从多源输入到CAD模型生成,系统需完成意图理解、工程约束推理、知识检索、任务规划、工具调用和结果验证等不同类型的任务。若将这些任务作为单一黑箱处理,任一环节的偏差都难以及时定位,并可能继续传递到后续建模过程,造成错误的级联放大。由此,将智能体拆分为相对独立的认知模块,有助于形成可检查的设计语义、任务树、知识证据、工具调用日志和验证报告,从而显著提高错误诊断与迭代修正的能力。

4.1.1 认知闭环

智能体层通常由感知、规划、记忆、行动和反思五个模块构成,通过共享任务状态形成认知闭环,如图 4.1 所示。共享任务状态记录设计语义、已确定参数、待澄清问题、特征引用、工具调用结果和验证反馈等关键信息。各模块围绕这一状态协同工作:感知模块形成设计语义,规划模块生成任务结构,记忆模块补充工程知识,行动模块生成并执行受约束的工具调用,反思模块根据验证反馈修正参数、约束或任务路径。通过这一机制,CAD模型在多轮生成、检查和修正中逐步逼近正确性、完整性和工程可用性。

21e23e73e76083da470bdc5e21257a3c

图 4.1:工业设计智能体的认知闭环

以“法兰轴”建模为例:感知模块识别轴主体、法兰、连接孔、键槽、倒角和承载方向;规划模块安排轴主体、法兰、孔阵列、键槽、倒角和验证节点的执行顺序;记忆模块补全轴径与键槽标准、孔分布参数和倒角推荐范围;行动模块生成并执行CAD API调用链;反思模块依据几何、装配和规范验证结果触发参数修正、任务重规划、工具调用链重生成或人工澄清。通过这种循环,设计结果在多轮反馈中逐步收敛至目标。

需要注意,五个模块描述的是认知功能,并不必然对应五个独立智能体。工程实现时,这些功能可被合并、拆分或映射为多个专门角色——行动模块既可包含工具调用生成,也可进一步拆分为调用生成、受控执行和异常捕获等子角色,以适配不同复杂度的部署需求。表 4.1 将五个模块压缩为输入、处理和输出三类交接信息,用于说明各模块之间如何传递中间产物。

表 4.1:工业设计智能体各模块的输入、处理与输出

fad03ff8f5add51193dc8583cb26d362

 

4.1.2 与自动化脚本的本质区别

工业设计智能体并非脱离工程师独立运行的全自动设计者,而是在明确目标、约束、工具能力和验证规则下运行的人机协同建模系统。它与传统自动化工具的核心区别在于控制中心不同:自动化脚本依赖预设操作序列和预设参数化模板,其适合结构稳定、流程清晰、变化范围明确的场景;工业设计智能体则以可更新的设计意图、任务状态和验证反馈为中心,能够在需求含糊、参数缺失或局部冲突时,将不确定性显式暴露,通过澄清、修正或重规划推动建模过程持续收敛。

因此,智能体系统更强调三项关键能力:将模糊需求转化为可检查的中间产物;追踪任务分解、知识调用、工具执行和验证反馈之间的因果链条;在失败后定位错误来源,选择澄清、修正或重规划等恢复策略。

4.1.3 多智能体协同

复杂工业设计任务同时涉及意图理解、知识检索、任务规划、工具调用、几何与装配验证等异质能力。若由单一智能体承担全部职责,容易出现上下文过载、错误难以定位和能力扩展受限等问题。多智能体协同的价值,在于将复杂流程拆分为职责清晰的角色,并通过结构化交接产物串联各环节。

这里需要区分“模块”和“角色”:模块描述感知、规划、记忆、行动、反思等认知功能,角色描述工程实现中的分工单元。五个模块不必然对应五个独立智能体;实际系统可以合并多个模块,也可以将行动模块拆为工具调用生成、受控执行和异常捕获等角色。角色边界越清晰,规划错误、工具调用失败或规范违背等问题就越容易定位和修正。

多智能体协同能否稳定运行,关键在于统一的共享任务状态和冲突处理规则。共享任务状态可通过任务黑板、结构化中间表示或统一设计约束图实现,用于记录特征树、基准坐标、参数、待澄清问题、工具调用日志和验证结果;冲突处理规则则明确几何合法性、安全约束、制造可行性和工程师指定目标之间的优先级。在此基础上,系统可继续接入装配干涉分析、钣金规则检查、制造可行性评估或拓扑优化等专门智能体,而不必重写整体架构。下一节将进一步展开感知模块,讨论自然语言、草图、图像和三维模型如何被对齐为可供规划使用的设计语义表示。

4.2 多模态设计意图理解与语义对齐

设计意图可由自然语言、手绘草图、图像或STEP模型等不同形式呈现,各类输入承载的信息维度并不相同。上一节已区分认知“模块”与工程“角色”,本节聚焦感知模块在工程实现中的对应角色——意图理解智能体。如图4.2所示,意图理解智能体需从不同输入中抽取、补全并组织指向同一设计目标的信息,将其转换为可计算、可传递、可检查的工程语义对象,并向规划智能体输出设计语义图、待澄清问题与形式化设计目标。

c78c629da2bf42c7ef6757aa485799c5

图 4.2:多模态设计意图理解智能体的工作流程

本节围绕三个问题依次展开:多模态输入如何对齐为统一工程语义;不完整或模糊的设计需求如何转化为形式化目标;歧义与约束冲突如何被显式记录和处理。

4.2.1 语义对齐

不同模态的设计输入在信息粒度、表达精度和工程显式性上各有侧重:文本侧重功能描述,草图提供轮廓关系,工程图和STEP模型则可能包含精确几何与拓扑。智能体系统需从多模态输入中提取可用于建模的设计对象、局部特征及其关联信息,经过语义对齐使之能够被后续的规划、检索、建模和验证过程稳定读取。

通用跨模态模型(如 CLIP、ALIGN)已证明图像与文本可建立联合表示,自然语言、图像与三维几何之间也可形成关联。但工业设计中的语义对齐不能停留在“相似性”判断,而必须进一步生成可被建模流程读取的工程语义对象。语义对齐结果最终写入设计语义图——以图4.3所示的“带法兰轴”为例,智能体系统可从文本中识别“轴”、“法兰”、“键槽”等对象,从草图中读取轴段比例与法兰位置,从STEP参考模型中提取基准面和圆柱轴线,并将这些线索归并到同一设计对象下。经过这一语义对齐即多模态输入的工程统一,智能体系统得到的便不再是孤立的文本、线条或几何文件,而是围绕“轴主体—法兰—连接孔—键槽”组织起来的设计语义结构。

3fad35e4c94ab605ed3d7cc3dba263e0

图 4.3:带法兰轴

4.2.2 设计目标形式化

简短的设计需求通常只给出设计方向,距离可执行的CAD建模还缺少对象边界、参数取值、约束条件和隐含功能。感知模块需将这类不完整输入抽象为形式化目标:识别设计对象与局部特征,提取已有参数和关系,推断隐含的功能或装配约束,并标记需要变量化、默认补全或人工澄清的内容。对于文本输入,设计目标形式化表现为自然语言语义拆解;对于草图、工程图或 STEP 模型,则表现为从外观轮廓、几何拓扑和已有结构中提取可用工程要素。

以“带法兰轴”为例,简短需求可能只明确“轴”、“法兰”、“键槽”等对象,却未给出轴径、法兰尺寸、孔阵列参数、键槽规格或倒角半径。设计目标形式化的作用,正是说明哪些特征必须创建,哪些参数已经确定,哪些约束需要满足,哪些信息仍然缺失,从而将模糊描述转换为围绕设计对象、参数和约束组织的结构化设计目标。

对于未确定的数值参数,若其不影响特征类型、拓扑关系或建模路径,可先以变量或默认值执行参数化建模,并在设计语义图中记录状态与修改范围,后续通过参数更新驱动模型重生成;只有当缺失信息影响结构方案、基准选择、装配关系或制造方式时,才需触发人工澄清。

4.2.3 歧义与冲突

形式化后的设计目标仍可能存在两类问题:一是同一输入对应多个合理的工程解释,二是已确定参数或约束之间无法同时满足。

前者表现为歧义,例如“在法兰侧开孔”可能指端面轴向孔,也可能指外圆周径向孔;“左端增加键槽”依赖观察方向或坐标基准。若智能体系统直接选择某一解释,后续规划与工具调用可能建立在错误前提上。面对歧义,感知模块应记录候选解释及其影响范围:歧义若会改变特征类型、基准选择、装配关系或制造方式,则生成澄清问题交由工程师确认;若影响较小且可由标准、模板或历史案例推断,则可暂记为带来源的默认假设,并在验证失败或人工反馈时修正。

后者表现为约束冲突,涉及结构化设计目标中的不一致关系,如孔阵列与法兰边距冲突、键槽与台阶或孔位重叠、贯穿特征与封闭端面要求矛盾等。检测重点不是返回笼统的“生成失败”,而是定位冲突涉及的实体、参数和约束,并判断其来源。检测到冲突后,智能体系统按来源选择修正路径:默认假设导致的冲突优先回退或替换;工程师明确指定的目标触发澄清交互;工具执行或几何求解失败则反馈给规划模块调整任务路径。通过显式记录、来源定位和修正验证,智能体系统可在进入规划和工具调用之前,有效提高设计目标的一致性与可执行性。

4.3 领域知识检索增强生成

经过语义对齐与目标形式化,设计意图已被组织为对象、特征、参数和约束等结构化表示,但仍需规范依据、模板参考和工程经验的有力支撑。工业设计知识具有累积性和持续更新性,常涉及历史案例、国家标准、企业规范和经过验证的参数化模板,难以仅由模型参数记忆可靠覆盖。本节引入检索增强生成(RAG)机制,讨论知识检索智能体如何从外部知识库获取相关知识,并将其转化为带来源、适用条件和约束边界的结构化证据,为后续任务规划、代码生成和验证提供依据。

4.3.1 工业设计知识库构建

工业设计知识并不只存在于设计规范文本中,也分散在历史设计案例、参数化模板、工具调用记录和验证反馈日志里。规范多为表格和条文,历史设计案例包含三维模型、特征序列和参数关系,日志则记录操作过程、失败原因和修复方式。知识库建设的目的,正是将这些异构内容整理成可索引、可追踪、可复用的工程资源。

不同知识需要不同的表示方式:文本规范和案例说明用语义编码器向量化,三维模型和特征序列需提取几何、拓扑、特征及其建模指令,参数化模板还需保留参数接口、适用条件和约束范围。更为关键的是,仅有向量并不够用——每条知识还必须记录来源、版本、适用工况、参数范围和可信等级,否则无法判断其能否用于当前任务。这些元数据与向量表示共同构成知识条目,为后续检索、匹配和融合生成提供可追溯的依据。

4.3.2 跨模态设计知识检索

工业设计中,查询与目标知识常常不在同一模态:工程师可能拿着一张支架草图寻找结构相似的标准零件,用一句“可承受径向载荷的轴承座”检索对应的参数化模板,或上传一个STEP参考模型以获取相似零件的建模序列。跨模态检索需要首先将查询和候选对齐到同一设计语义空间,然后在此空间中度量相似度。

跨模态检索或匹配常采用双塔模型(dual-encoder)或类似的多编码器结构:两个独立编码器分别编码查询和候选(文档、图像或三维模型),通过对比损失学习一个共享空间,使文本、草图、工程图、三维模型均落在可比较的向量上。检索时,形式化后的设计目标被转化为查询条件,如目标对象、局部特征、待补全参数或约束条件,知识库据此召回候选条目,连同来源和适用条件一并返回。

在工程场景中,“看起来像”还远远不够——真正需要的是参数能适配、约束能兼容、来源可追溯的知识。因此,相似性度量通常采用多目标加权函数,综合语义相似度、几何形状相似度、拓扑结构相似度与约束相容性四个维度,权重随任务上下文动态调整。概念设计阶段提高语义权重,详细设计阶段则提高参数约束和拓扑相容性的权重。排序同样取决于任务上下文:设计所处阶段、对象所属行业、已有约束是否完备,都会影响候选结果的偏向。按这些条件排序而非仅看相似度,命中率更高,也不易将噪声带入后续生成。

4.3.3 设计知识增强生成

检索到的知识本身不是终点,它需先转化为任务参数、约束条件或验证规则,方可进入生成。如图4.4所示,RAG流水线在检索之后,还需依次完成知识融合、约束注入、生成和验证回溯等步骤。

83838169f2c2fdb210b3151e6ddf60fd

图 4.4:工业设计RAG端到端流水线

工程规范文档通常涵盖尺寸公差、形位公差、材料牌号、表面处理要求和安全系数等。若某条标准说明了轴径区间与倒角取值的对应关系,即可转化为设计参数的候选取值区间,作为待核验约束传给规划模块。可复用范例则更为复杂:一个完整的带法兰轴建模序列包含特征创建顺序、参照依赖和参数绑定,这些结构不能直接搬用到新设计上,必须按当前目标进行适配。以带法兰轴中的键槽为例,原范例轴径较小时键槽宽度取相应值,当前设计若改用更大轴径,键槽宽度、倒角半径和相关配合公差均须重新核验。范例不能照搬,只能转化为带适用条件的参数化骨架。

增强生成还需引用追踪:融合阶段记录每条约束或范例片段的来源条目、标准版本和适用前提,便于验证失败时回溯。若多条结果冲突,如两个标准件库为同一工况推荐了不同材料的螺栓,系统应按工况优先级、规范等级或工程师偏好进行裁决,而非简单拼接。由此,增强生成并非照搬检索结果,而是经过筛选、适配和验证的决策过程;融合后的知识最终进入任务规划的动作参数,落实为可执行的建模步骤。

4.4 层次化任务规划与分解

经过意图理解与知识检索增强,智能体系统已获得设计语义图和相关知识证据,但这些内容仍需被组织成可执行的建模过程。复杂设计任务通常无法由单一操作完成——以“带法兰轴”为例,模型生成涉及轴主体、法兰、连接孔阵列、键槽和倒角等多个建模特征,且这些特征之间存在明确的先后依赖。层次化任务网络(Hierarchical Task Network, HTN)为此提供了一种结构化规划方法:规划智能体根据形式化设计目标和检索证据,将高层目标分解为可执行、可校验的任务树。

4.4.1 HTN方法

HTN方法将复杂目标按工程逻辑逐层分解,其核心要素包括任务、方法和算子。任务表示规划器需要实现的目标,分为高层任务与原子任务:前者描述抽象设计意图,如“创建法兰特征”;后者对应不可再分的执行动作,如“选择基准面”、“绘制草图”或“调用倒角命令”。方法描述高层任务如何展开为一组子任务,体现特征构造顺序和相应工程经验。算子实现原子任务,并携带参数、前置条件和执行效果。

形式化地,HTN规划问题可表示为五元组:

PHTN=⟨T,M,O,s₀,t₀⟩

其中,T 为任务集合,M 为方法库,O 为算子集合,s₀ 为初始任务状态,t₀ 为待分解的根任务。每个方法m ∈ M将高层任务映射为子任务序列,可表示为:

m:t⟶⟨t₁,t₂,…,tₙ⟩

其中,t 为高层任务,⟨t₁,t₂,…,tₙ⟩ 为其子任务序列。每个算子 o ∈ O 定义为:

o=⟨name,pre(o),eff(o),params(o)⟩

其中,name是算子名称,pre(o) 表示执行前置条件,eff(o) 表示执行后的状态变化,params(o) 表示所需参数集合。

规划过程从根任务开始,递归选择可匹配的方法并持续展开,直至所有叶子节点均为原子任务。最终得到的原子任务序列,即可作为后续工具调用生成的输入。

与基于STRIPS (Stanford Research Institute Problem Solver)或PDDL (Planning Domain Definition Language) 的经典动作规划相比,HTN更适合工业设计场景。CAD建模通常遵循已知的特征构造逻辑,无需在任意动作空间里盲目搜索。HTN方法库能够将这类工程顺序固化为可复用的分解知识,并在规划时同步考虑特征依赖、几何约束传播、参数继承和CAD工具能力边界。

4.4.2 任务分解

以“生成带法兰轴”这一高层设计目标为例,HTN可将根任务逐步展开为一组具有依赖关系的建模子任务。如图4.5所示,根任务T₀先分解为“创建轴主体”、“创建法兰”、“创建连接孔阵列”、“创建键槽”、“添加倒角”和“验证约束”等子任务,然后每个子任务再继续展开,直到叶子节点成为可映射到工具层CAD API的原子动作。

ba676948badafdba408a2ee032c3e00b

图 4.5:“带法兰轴”设计目标的HTN分解

在这一分解过程中,子任务除步骤名称外,还携带前置条件、参数接口和输出引用。例如,轴主体节点绑定轴径、轴长和旋转基准,法兰节点输出后续孔阵列可引用的实体,键槽节点则需引用法兰端面、轴线或轴根基准,并确定槽宽、槽深和位置关系。由此,高层目标被转化为一组带依赖、参数和实体引用的建模步骤。

任务分解完成后,规划器得到一棵任务树,叶子节点构成原子操作序列。该序列给定动作顺序的同时,还保留参数绑定、实体引用和验证节点。例如,法兰拉伸完成后可立即检查其与轴主体的结合面是否产生零厚度或非流形几何;键槽切削完成后可检查槽宽、槽深和边界位置是否满足约束。HTN方法将验证节点插入关键特征之后,可以避免错误继续传递到后续建模步骤。因此,基于HTN方法的分解质量直接影响后续执行的可靠性——如果方法库没有正确表达特征依赖、基准选择或工具能力边界,即使单个CAD API调用语法正确,最终任务序列也可能无法生成合法模型。

4.4.3 参数绑定与约束补全

任务树展开后,仍有部分参数和约束无法仅由当前设计语义图确定。例如,法兰厚度、孔分布圆直径、键槽截面规格和倒角半径等,往往需要结合上一节(4.3节)形成的规范、模板和历史案例证据。此时规划智能体需完成参数绑定、实体引用绑定和约束补全,使每个任务节点具备可执行所需的输入条件。

参数绑定通常随任务展开按需发生。当某节点缺少关键参数时,规划智能体可向知识检索智能体提交带上下文的查询,包含当前轴径、法兰对象、已有参数、适用标准和工具环境。检索返回的候选参数或模板不会直接写入模型,而是先按来源、适用条件和约束边界筛选,再填入对应节点,并在任务树中记录证据来源。

约束补全还包括复杂特征模板的嵌入。对于标准孔阵列、退刀槽、键槽或花键等特征,知识库可返回包含草图轮廓、约束关系、特征顺序和实体引用方式的参数化模板。规划智能体将模板挂接到相应任务节点,并核验其与当前几何的兼容性——以键槽为例,需确认其所在基准面、槽向与轴线或法兰端面的关系、槽宽槽深及切削参考是否满足现有边界。若模板与已有几何或约束冲突,规划智能体回退到上一层任务,重新选择方法或触发澄清。

由此,任务树中的缺失参数、实体引用和局部约束可在展开过程中逐步补齐,并保留其知识来源与适用条件。规划完成后,原子任务序列即可作为下一节(4.5节)结构化API代码生成的输入。

4.5 结构化API代码生成

前一节的原子任务序列确定之后,智能体系统还需将设计动作转化为工具层可执行的API调用链。代码生成智能体以任务树、约束图和检索证据为输入,生成满足语义动作、输入schema、实体引用规则和返回契约的结构化API代码。与普通代码生成不同,这里的重点不在于生成完整脚本,而在于将规划结果组织为可执行、可检查、可回溯的工具调用过程。

4.5.1 任务到API调用的映射

任务序列描述“要完成哪些设计动作”,API调用序列描述“如何调用工具完成这些动作”。每个任务节点通常包含动作类型、目标语义、参数集合、前置条件和预期输出。从任务序列映射到API调用序列时,代码生成器首先根据动作类型匹配工具层语义化接口,再将目标语义转换为几何索引查询,获得面、边、体、特征等实体引用,随后将尺寸、方向、终止条件和约束范围填入API输入schema。

映射过程需要持续维护调用上下文。前序调用生成的实体标识、特征状态和错误信息会成为后续调用的输入。若某一节点依赖尚未生成的实体,调用链必须调整顺序或回退到任务规划阶段。对于参数化建模而言,实体引用比单次数值参数更容易失效,因此代码生成智能体还需记录引用来源、生成步骤和后续使用位置,使调用链具备可追踪性。最终得到的并非孤立的函数调用列表,而是一条带有依赖关系、参数绑定和返回对象记录的结构化调用链,它既承接HTN的任务分解结果,也为后续执行验证提供了定位依据。

4.5.2 约束嵌入

结构化API代码生成需要在生成阶段受到约束控制,避免模型输出无法执行或难以校验的调用。约束来源主要包括三类:调用格式约束保证输出符合目标表示形式,如函数调用、JSON工具调用或脚本片段的语法规则;接口规范约束限定工具名称、必填字段、参数类型、枚举取值和返回格式,使生成结果能够被执行器直接解析;上下文约束关注当前模型状态——目标对象是否存在、实体类型是否匹配、坐标基准是否明确、特征依赖是否满足、参数单位是否统一。

这些约束可通过模板、函数调用schema、MCP工具描述和历史调用范例共同施加。模板提供稳定的调用骨架,schema限定字段结构和类型范围,历史范例提供常见任务的调用模式。代码生成智能体在受控空间内填充动作名称、目标查询和参数值,从而显著减少自由文本生成带来的接口错误。

4.5.3 合法性校验

约束嵌入发生在生成阶段,合法性校验则面向完整调用链。合法性校验大体上可分为:静态分析和动态验证。

静态分析先在不执行建模内核的情况下检查调用链是否自洽,包括任务顺序、实体引用、参数单位、坐标基准和返回对象是否前后一致,适合发现引用缺失、调用顺序错误、参数字段不完整等显式问题。

动态验证进一步在受控执行环境中运行调用链,读取工具层返回的执行状态、结果对象和错误信息。与静态分析相比,动态验证能够发现几何计算失败、拓扑结果非法、约束冲突或事务回退等运行时问题。若执行失败,系统应记录失败步骤、相关实体、错误类型和可能的修正方向,并将这些信息反馈给代码生成器或规划器。

通过静态分析与动态验证的组合,结构化API代码生成不再停留在“生成调用文本”,而是形成“生成—执行—反馈—修正”的完整闭环,既提高了调用链的可执行性,也为后续模型修复和任务重规划提供了可靠依据。

4.6 闭环验证与可信优化

结构化API调用链执行后,智能体系统获得CAD模型和执行反馈。但调用成功并不等于模型可用,仍需检查几何拓扑、参数约束、局部特征和设计目标的一致性。验证智能体负责识别几何缺陷、约束偏差和目标不一致,反思机制则根据反馈定位问题来源,选择参数调整、特征替换、任务回退或重新规划等修复路径。

4.6.1 几何合法性验证

几何合法性验证关注模型是否满足实体建模的基本要求。合法模型应具备清晰边界、稳定拓扑和可继续编辑的特征结构。若存在几何缺陷,后续倒角、抽壳、布尔、网格划分或制造准备都可能失败。常见问题包括自交面、非流形拓扑、零厚度区域、开口面、微小边和不稳定布尔结果等。验证智能体可调用几何内核检查接口、CAD平台验证模块或外部检测工具,获取缺陷类型、发生位置和关联对象。

验证结果应映射回任务节点、参数和API调用。相比笼统的“模型非法”,更有效的反馈应指出问题涉及的建模特征、实体引用、参数取值和调用步骤,便于反思机制判断是局部调参、替换基准,还是回退到规划阶段重新安排特征顺序。

4.6.2 工程约束与设计目标一致性验证

几何合法并不等于设计可用。生成模型还需满足工程约束,并与输入需求(设计目标)保持一致。工程约束主要来自国家标准、行业规范、企业手册和检索得到的知识证据,验证内容包括孔径系列、倒角范围、最小壁厚、槽尺寸、关键尺寸和公差等。在单零件生成与重建任务中,重点仍是参数、特征和几何边界的一致性。若任务涉及装配体,还需检查干涉、间隙和配合关系等。

设计目标一致性验证关注模型是否落实输入中的对象、结构和局部特征。文本输入侧重核对设计对象、特征类型和约束是否完成;草图、工程图或STEP参考模型则侧重比较整体轮廓、主要特征位置、孔阵列关系、局部槽结构和关键比例。该一致性验证过程不追求完全重合,而是判断结果是否满足任务语义和工程可用性。

验证结论可按严重程度划分:硬性错误进入自动修正流程;建议优化类问题延后处理;涉及功能取舍或经验权衡的问题,优先检索知识库、历史案例与验证日志。这样可在自动修复、延后优化和经验驱动处置之间划清边界,使多数判断无需返回到人工干预。

4.6.3 反馈驱动的修复策略

验证反馈需要转化为修复动作,才能持续提升模型质量。反思机制根据错误类型、影响范围和来源位置选择修复策略,常见路径包括三类:规则与启发式修复、案例驱动修复和学习型修复。

规则与启发式修复适合局部、明确、高频的问题,如调整越界参数、缩小倒角半径、修正切除方向或重新选择参考面,可解释性强,实现成本低,适合作为基础修复能力。案例驱动修复利用历史失败记录和成功修复轨迹,当错误与历史案例在缺陷类型、参数范围或特征关系上相似时,系统可检索相似方案并迁移到当前任务中。学习型修复则面向更复杂的多约束场景,可在规则库和案例库积累后作为扩展路径。无论采用哪类策略,修复动作都应先在受控环境中验证,避免为解决局部问题而破坏整体质量。

4.6.4 自主闭环实现

验证与修复机制串联后,系统形成“设计—验证—优化”的自主闭环。一次迭代通常由任务规划和API调用生成初始模型,验证智能体输出结构化反馈,反思机制定位失败来源并更新参数、特征、任务树或调用链,再进入下一轮验证。

闭环反馈需要保留完整来源:每次失败应记录任务节点、实体引用、参数取值、API调用和验证结果;每次修复也应记录修改内容、触发原因和再次验证结果。这些记录既支持自动修正,也可用于审计、案例检索和知识库更新。

自主闭环以自动修复为主:局部参数调整、低风险特征修复和部分经验性取舍,可依托知识库、历史案例与验证日志完成。仅当问题超出现有规范与案例覆盖范围,或触及尚未明确编码的安全红线、真实需求歧义时,才保留必要的人工确认。

通过这种闭环,CAD生成从一次性建模结果转化为持续检查、定位和修正的工程过程——验证智能体提供质量判断,反思机制提供修复路径,共同支撑工业设计智能体的可信优化。

4.7 智能体评估方法论

工业设计智能体的评估不仅关注最终CAD模型是否生成,还应覆盖意图理解、任务规划、API调用、模型质量、验证反馈和修复效果的全链路表现。评估方法需回答三个核心问题:智能体系统是否正确理解了任务,建模过程是否可执行,输出结果是否具备工程可用性。从执行方式看,评估分为自动评估与人工评估。在实际应用中,二者通常结合形成综合流程,分别承担基础筛查、工程复核和边界说明的职责。

4.7.1 自动评估

自动评估方式通过可批量计算的量化指标实现,按任务链路依次覆盖建模过程、生成结果质量、验证与修复机制三个环节,构成从输入理解到闭环修正的完整量化视图。

过程指标关注建模链路的前端,评估智能体系统能否从多源输入中正确解析设计对象、局部特征、参数和约束,并将其分解为合理的任务序列,再转化为符合工具层接口规范的API调用链。建模过程自动评估可采用实体识别F1-score、约束抽取准确率、分解完整性和API调用正确率等。

质量指标关注调用链执行后的模型结果,建模成功率衡量智能体系统是否生成合法几何,任务完成率则进一步检查模型是否满足设计对象、特征要求、尺寸约束和必要工程规范——若模型成功生成但键槽尺寸或孔阵列关系不符合要求,只能计入建模成功,不能计入任务完成。生成结果质量自动评估可采用执行成功率、几何有效率、目标满足率和约束满足率等。

验证与修复指标关注闭环修正能力,评估验证智能体能否识别缺陷、反思机制能否完成参数调整、任务回退或重新规划。验证与修复自动评估可采用修复成功率、平均迭代次数、错误复发率和任务回退率等,同时记录工具调用次数和运行时间以衡量修复成本。该类指标需与任务完成率结合分析,避免智能体系统通过大量重试换取表面成功率。

4.7.2 人工评审

结构合理性、工艺成熟度及经济性、是否符合工程师的建模与加工习惯等质量维度,难以被自动评估指标量化,需要由工程师进行人工评审。相应的评审维度可包括方案结构是否合理、特征安排是否符合建模习惯、加工或重建路径是否自然、交互澄清是否有效等。

为减少主观波动,每个维度应明确人工评审的评分准则与锚点示例。人工评审不是替代自动评估指标,而是补充其难以覆盖的工程合理性判断。

4.7.3 综合评估流程

综合评估是自动评估与人工评审在应用中的有序组织,其目标在于形成可靠结论并明确其适用范围。该流程依次包含基础筛查、工程复核和边界说明三个环节。

基础筛查由自动评估指标完成,用于快速排除执行失败、几何非法和明显偏离设计目标的结果,同步输出建模成功率、约束满足率和验证通过率等量化指标,为后续环节提供可比较的基线。

工程复核将人工评审嵌入综合流程,对通过基础筛查的模型,由工程师依据结构合理性、工艺经济性和建模习惯等准则,进一步判断其是否真正达到工程可接受水平,从而避免仅凭自动评估指标得出片面结论。

边界说明用于限定评估结论的适用范围。测试集的零件类别、输入模态、复杂度分布、知识库版本和工具平台均会影响结果表现。工业数据又常包含企业私有模型、长尾零件和特殊工艺,因此局部测试结果不能直接外推为智能体系统整体能力。评估报告应同时说明测试条件,并按类别、模态和复杂度分层呈现评估结论。

4.8 本章小结与习题

本章从智能体层出发,系统讨论了工业设计任务如何从模糊意图转化为可信CAD模型。智能体层位于数据层和工具层之上,将设计语义、多模态输入、工程知识、任务规划、API调用、验证反馈和评估结果组织为可传递、可执行、可检查、可修正的设计过程。其核心价值不在于一次性生成模型,而在于围绕设计意图形成持续理解、规划、执行和修正的认知闭环。

4.8.1 核心概念回顾

工业设计智能体的认知架构由感知、规划、记忆、行动和反思等功能模块构成。感知模块将多模态输入转化为设计语义,规划模块将结构化设计目标分解为任务树,记忆模块提供规范、模板与历史案例,行动模块生成并执行API调用,反思模块根据验证反馈调整参数或任务路径。上述五类模块描述认知功能,工程实现中可合并、拆分或映射为不同智能体角色。

多模态设计意图理解将文本、草图、工程图或STEP模型统一为可计算的工程语义对象。语义对齐的结果是包含设计对象、局部特征、参数、关系、约束和待澄清项的设计语义图,为后续检索、规划、调用和验证提供共同基础。

领域知识检索增强生成用于补充模型参数记忆无法稳定覆盖的工程知识。工业设计知识库包含工程规范、历史案例、参数化模板和验证日志,检索结果需带有来源、版本、适用条件和可信等级,融合后转化为任务参数、约束条件或验证规则参与后续建模。

层次化任务规划与结构化API代码生成负责将高层目标转化为可执行操作。HTN将设计目标展开为带前置条件、参数接口和实体引用的任务树,代码生成模块再将原子任务映射为符合工具层语义动作和返回契约的API调用链,并通过约束嵌入、静态分析和动态测试结合校验提高调用可靠性。

闭环验证与可信优化保障生成结果的工程可用性。验证智能体检查几何合法性、工程约束和目标一致性,反思机制根据反馈选择参数调整、特征替换、任务回退或重新规划,将CAD生成从一次性结果转化为可检查、可追踪、可持续修正优化的工程流程。

智能体评估方法论以全链路视角,从意图理解到修复效果系统评价工业设计智能体的能力。该体系由三种评估方式有机组成:自动评估依托可批量计算的量化指标,分别考察建模过程、生成结果质量及验证修复机制;人工评审作为补充,聚焦结构合理性、工艺经济性和建模习惯等自动评估指标难以覆盖的工程维度;综合评估流程则进一步结合过程日志进行结果归因,并说明测试条件与适用边界。三者各有侧重,共同构成对全链路能力的系统诊断。

4.8.2 本章习题

1. 选择一个简单零件设计需求(如“L形支架”),构建设计语义图,标出设计对象、局部特征、参数、约束和待澄清项。

2. 基于第1题的设计语义图,设计一个HTN任务分解方案,并选取一个原子任务,写出其对应的工具层语义化API调用描述。

3. 基于第2题的任务分解与API调用,若生成过程中出现关键特征缺失、参数超限或实体引用失效,请判断可能的故障环节,并提出详细的排查与修复方法。

参考文献

[1] Radford, A., Kim, J. W., Hallacy, C., et al. Learning Transferable Visual Models From Natural Language Supervision. Proceedings of ICML, 2021. https://arxiv.org/abs/2103.00020

[2] Jia, C., Yang, Y., Xia, Y., et al. Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision. Proceedings of ICML, 2021. https://arxiv.org/abs/2102.05918

[3] Chen, K., Choy, C. B., Savva, M., Chang, A. X., Funkhouser, T., and Savarese, S. Text2Shape: Generating Shapes from Natural Language by Learning Joint Embeddings. arXiv:1803.08495, 2018. https://arxiv.org/abs/1803.08495

[4] Koo, J., Huang, I., Achlioptas, P., Guibas, L., and Sung, M. PartGlot: Learning Shape Part Segmentation from Language Reference Games. Proceedings of CVPR, 2022. https://arxiv.org/abs/2112.06390

[5] Xue, L., Gao, M., Xing, C., et al. ULIP: Learning a Unified Representation of Language, Images, and Point Clouds for 3D Understanding. Proceedings of CVPR, 2023. https://arxiv.org/abs/2212.05171

[6] Lewis, P., Perez, E., Piktus, A., et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Proceedings of NeurIPS, 2020. https://arxiv.org/abs/2005.11401

[7] Siddharth, L., Blessing, L. T. M., Wood, K. L., and Luo, J. Retrieval Augmented Generation using Engineering Design Knowledge. arXiv:2307.06985, 2023. https://arxiv.org/abs/2307.06985

[8] Li, S., et al. MechRAG: A Multimodal Large Language Model for Mechanics. Communications Engineering, 2025. https://www.nature.com/articles/s44172-025-00517-z

[9] Erol, K., Hendler, J., and Nau, D. S. UMCP: A Sound and Complete Procedure for Hierarchical Task-Network Planning. AIPS, 1994. https://www.cs.umd.edu/~nau/papers/erol1994umcp.pdf

[10] Erol, K., Hendler, J., and Nau, D. S. HTN Planning: Complexity and Expressivity. AAAI, 1994. https://www.cs.umd.edu/~nau/papers/erol1994htn.pdf

[11] Ghallab, M., Nau, D., and Traverso, P. Automated Planning: Theory and Practice. Morgan Kaufmann, 2004.

[12] Fikes, R. E., and Nilsson, N. J. STRIPS: A New Approach to the Application of Theorem Proving to Problem Solving. Artificial Intelligence, 1971. https://doi.org/10.1016/0004-3702(71)90010-5

[13] McDermott, D., Ghallab, M., Howe, A., et al. PDDL: The Planning Domain Definition Language. AIPS-98 Planning Competition Committee, 1998. https://planning.wiki/ref/pddl

[14] Hoffmann, C. M., and Joan-Arinyo, R. A Brief on Constraint Solving. Computer-Aided Design and Applications, 2005. https://www.tandfonline.com/doi/abs/10.1080/16864360.2005.10738330

[15] FreeCAD Documentation. PartDesign Feature and Sketcher Scripting.

https://wiki.freecad.org/PartDesign_Feature

https://wiki.freecad.org/Sketcher_scripting

[16] Open CASCADE Technology Documentation. BRepCheck_Analyzer Class Reference. https://dev.opencascade.org/doc/refman/html/class_b_rep_check___analyzer.html

[17] Schulman, J., Wolski, F., Dhariwal, P., Radford, A., and Klimov, O. Proximal Policy Optimization Algorithms. arXiv:1707.06347, 2017. https://arxiv.org/abs/1707.06347

[18] Haarnoja, T., Zhou, A., Hartikainen, K., et al. Soft Actor-Critic Algorithms and Applications. arXiv:1812.05905, 2018. https://arxiv.org/abs/1812.05905

[19] Landis, J. R., and Koch, G. G. The Measurement of Observer Agreement for Categorical Data. Biometrics, 1977. https://pubmed.ncbi.nlm.nih.gov/843571/

[20] Krippendorff, K. Computing Krippendorff’s Alpha-Reliability. 2011, updated 2013. https://www.asc.upenn.edu/sites/default/files/2021-03/Computing%20Krippendorff%27s%20Alpha-Reliability.pdf

© 版权声明
THE END
喜欢就支持一下吧
点赞1.6W+ 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容