企业官网建设流程全解析

文章主要内容总结

本文研究了基于大型语言模型（LLMs）的多智能体系统（MAS）在概念系统工程与设计中的应用，以太阳能水处理系统为目标案例，对比了九角色多智能体系统（MAS）与两智能体系统（2AS）的性能。

• 核心方法：提出“设计状态图（DSG）”，一种JSON可序列化的图形表示，将需求、物理实现和基于Python的物理模型整合到节点中；通过实验对比MAS（九种角色分工）和2AS（生成器-反射器循环）在需求提取、功能分解、模拟器代码生成等任务中的表现。
• 实验设置：使用Llama 3.3 70B和推理蒸馏的DeepSeek R1 70B两种模型，在3种温度参数和5个种子下进行60次实验，评估指标包括JSON有效性、需求覆盖率、物理实现完整性、代码兼容性、工作流完成率等。
• 主要发现：
  • 两种系统均保持完美的JSON完整性和物理实现标记，但需求覆盖率极低（不足20%）；
  • 2AS在特定设置下代码兼容性达100%，但MAS平均低于50%；
  • 推理蒸馏模型（DeepSeek R1）能可靠标记工作流完成，MAS生成的DSG更精细（平均5-6个节点），而2AS存在模式坍缩；
  • 结构化多智能体协作提升了设计细节，但需求覆盖和代码保真度仍有显著差距。

创新点

1. 提出设计状态图（DSG）：首次将需求、物理实现和可执行物理模型整