用于 CAD 生成的记忆增强型强化学习智能体

针对现有大语言模型在处理复杂 CAD 模型时因操作序列长、约束强而导致推理链断裂及缺乏纠错机制的问题，本文提出一种记忆增强的强化学习框架。该框架将几何内核封装为结构化工具链，构建包含设计意图理解、全局规划、执行及多维验证的闭环机制。核心创新在于设计了由案例库和技能库组成的双轨记忆模块，并提出动态效用检索算法。通过引入强化学习优化检索策略，智能体能有效避免语义相似但几何不可行的检索陷阱，实现无需大规模标注数据的在线自修正与持续进化，显著提升了复杂 CAD 生成的成功率与几何一致性。