PhyNiKCE：一种用于自主计算流体动力学的神经符号代理框架

将自主代理应用于计算流体动力学（CFD）时，受限于大语言模型（LLMs）的概率性，难以满足物理模拟中严格的守恒定律和数值稳定性要求。单纯依赖语义检索增强生成（RAG）常导致“上下文污染”，即代理生成语言上合理但物理无效的配置，这是语义与物理之间的根本断层所致。为此，本文提出PhyNiKCE（物理与数值知识化上下文工程），一种神经符号代理框架，用于可信工程。不同于标准黑盒代理，PhyNiKCE将神经规划与符号验证解耦。它采用符号知识引擎，将模拟设置视为约束满足问题，并通过确定性RAG引擎严格施加物理约束，采用专门的检索策略处理求解器、湍流模型和边界条件。通过在实际非教程CFD任务上的OpenFOAM实验验证，PhyNiKCE相比现有最佳基线实现了96%的相对改进。此外，通过用知识驱动初始化替代试错法，该框架减少了59%的自主自纠正循环，同时降低了17%的LLM token消耗。这些结果表明，将神经生成与符号约束执行解耦显著提高了鲁棒性和效率。尽管在CFD中验证，该架构为更广泛的工业自动化中的可信人工智能提供了一种可扩展、可审计的范式。