COSMO-Agent：用于闭环优化、仿真与建模编排的工具增强型智能体

迭代工业设计-仿真优化受制于 CAD-CAE 语义间隙：在多样化、耦合约束下，将仿真反馈翻译为有效几何编辑。为填补这一间隙，我们提出 COSMO-Agent（Closed-loop Optimization, Simulation, and Modeling Orchestration），一种工具增强型强化学习（RL）框架，教会 LLM 完成闭环 CAD-CAE 流程。具体而言，我们将 CAD 生成、CAE 求解、结果解析和几何修订建模为交互式 RL 环境，LLM 在此环境中学习协调外部工具并修订参数几何，直至满足约束条件。为使学习稳定且在行业中可用，我们设计了多约束奖励机制，联合鼓励可行性、工具链鲁棒性和结构化输出有效性。此外，我们贡献了一个行业对齐的数据集，覆盖 25 类组件，包含可执行 CAD-CAE 任务，以支持真实训练和评估。实验表明，COSMO-Agent 训练显著提升了小型开源 LLM 在约束驱动设计中的性能，凭借可行性、效率和稳定性，在大型开源和强大封闭源模型中均表现突出。