从一维基准到复杂三维几何：智能体能否可靠地为自动化 PDE 仿真指定问题？

将工程需求转化为仿真，需要几何、物理、边界条件和数值设置相互一致。近期的智能体辅助系统实现了仿真设置的自动化，但仅凭成功执行，无法确定问题规格是否保留了预期问题，或是否正确处理了缺失信息。我们研究智能体能否可靠地构建完整、可执行的 JSON 规格，用于自动化几何创建、网格生成、PDE 求解和结果导出。我们的工作流将模型提取与确定性的科学性和能力检查、显式澄清以及经过验证的局部修补相结合，同时保留无关且已被接受的字段。我们分别评估规格正确性、执行完成情况和数值验证结果。在 120 个与模板相关的请求中，完整工作流在首轮规格和决策结果上的正确率达到 98.3%，而模式辅助的单次生成方法为 92.5%，仅使用模型的方法为 82.5%，分别提升了 5.8 和 15.8 个百分点。在需要澄清或拒绝的 42 个请求中，该工作流没有将任何请求误判为已就绪。组件消融实验揭示了科学性检查和条件性修复的贡献。独立的下游研究涵盖一维、二维和三维的稳态与非稳态、线性与非线性问题，包括涉及复杂三维机翼几何的流动和弹性问题。一个包含 30 个案例的展示集演示了基于保留的 JSON 规格进行自动化执行，而在 12 项选定的实时用户请求到结果测试中，有 9 项同时在规格、执行、导出和数值参考验证方面取得成功（75.0%）。这些结果支持在已测试范围内提供可追溯、经工程师审核的仿真辅助，同时，针对新生成响应的回归测试表明，一致性是后续改进的重点。