技术摘要：HEPTAPOD —— 为高能物理工作流编排自主智能体

问题陈述

高能物理（HEP）研究依赖于复杂的、多阶段的计算流水线，涉及符号代数、矩阵元生成、部分子淋洗、强子化、探测器模拟以及数值分析。虽然单个软件组件（例如 FeynRules、MadGraph5_aMC@NLO、Pythia、FastJet）已经非常成熟且稳健，但这些工具之间的协调工作在很大程度上仍处于手动状态。研究人员必须手动构建运行卡（run cards）、管理中间文件路径、确保跨工具的参数一致性，并调试各个阶段的失败。这种手动编排既耗时又易错，且难以在参数扫描或大规模模型空间中进行扩展。

尽管大语言模型（LLMs）已演变为能够进行规划和执行多步工作流的通用计算接口，但在高能物理领域的应用仍然有限。早期的应用侧重于代码生成或文档编写。现有的 HEP 智能体框架（如 ArgoLOOM、Agents of Discovery、LLM4HEP）已开始出现，但它们往往缺乏一种结构化的机制，以在集成外部科学代码时确保可复现性、透明度和人类监督。核心挑战在于如何使 LLMs 能够可靠地协调这些工作流，而不产生非结构化、未经验证的代码，或者在长执行链中丢失状态。

方法论

作者介绍了 HEPTAPOD（HEP 智能体规划、编排与部署工具包），这是一个旨在将 LLMs 集成到 HEP 理论流水线中的编排框架。该框架构建在 Orchestral AI 引擎之上，这是一种与供应商无关的智能体编排平台，但其针对科学工具而非通用软件工程进行了专门配置。

该方法论依赖于四个关键的架构支柱：

1. 模式验证工具（Schema-Validated Tools）：
   与其依赖于为每次操作生成自由形式的代码，HEPTAPOD 将科学能力暴露为具有结构化 JSON 模式的 Python 类。这些工具定义了严格的输入和输出类型（使用用于用户提供参数的 RuntimeField 和用于注入环境数据的 StateField）。

   • 验证： 参数在执行前会根据模式进行验证。
   • 错误处理： 工具在失败时返回结构化错误消息（而非原始日志），从而允许智能体进行确定性的解释和恢复。
   • 文档字符串（Docstrings）： 每个工具都包含详细的自然语言文档字符串，解释其科学用途和语义，这些信息会被注入到 LLM 的上下文中以引导决策。

2. LLM 兼容的事件数据结构 (evtjsonl)：
   传统的 HEP 格式（ROOT、HepMC、LHE）对 LLM 而言是不透明的。HEPTAPOD 引入了一种基于文本的、行分隔的 JSON 格式（evtjsonl）用于中间事件数据。该格式将粒子四动量、ID 和状态码编码在自包含的记录中，使智能体可以在对话上下文中直接检查这些数据。这使得智能体能够进行语义验证（例如，检查是否存在不合理的粒子多重性），而无需外部反序列化工具。

3. 运行卡驱动的编排（Run-Card-Driven Orchestration）：
   该框架使用人类可读的运行卡（例如 .mg5、.cmnd）作为智能体与外部代码之间的规范接口。

   • 占位符： 系统支持基于模板的运行卡，其中占位符（例如 [[UFO_PATH]]）会在执行时自动替换为实际的文件路径。
   • 可审计性： 每一个配置决策都会被捕获为持久化的、可版本化的产物，允许在执行前进行人类审批检查点。

4. 有状态的上下文传播（Stateful Context Propagation）：
   编排层维护着一个结构化的对话状态。当工具检测到参数扫描（例如多个质量点）时，它会返回关联每个运行 ID 及其特定参数和文件路径的结构化元数据。这些元数据被传播到后续步骤（例如从 MadGraph 到 Pythia），而无需智能体去解析目录名称或回忆文件名。

核心贡献

本文提出了以下具体贡献：

• HEPTAPOD 框架： 一个完整的编排基础设施，连接了 LLM 推理与领域特定的 HEP 软件。它将理论任务抽象为模块化的、经过模式验证的工具。
• 代表性案例研究： 一个完整的端到端超越标准模型（BSM）标量轻夸克（$S_1$）分析演示。工作流涵盖：
  1. 模型生成（FeynRules $\to$ UFO）。
  2. 带有参数扫描的部分层级事件生成（MadGraph）。
  3. 淋洗与强子化（Pythia）。
  4. 喷注聚类（FastJet/SlowJet）。
  5. 物体选择与共振重建。
  6. 重建的轻夸克质量分布（$m_{LQ}^{min}$）的可视化。
• 定量基准测试： 将该框架的性能与“仅核心”（即智能体仅具备 shell/Python 能力而没有领域工具）基准进行对比。
  • 工具辅助型： 智能体成功完成了完整的流水线，10 次尝试中有 7 次成功（$pass@1 = 0.70$），并在几次尝试内达到了 100% 的成功率。
  • 仅核心型： 智能体在 10 次尝试中均未能完成工作流（$pass@1 = 0$）。失败主要归因于在生成大型脚本时出现的 JSON 序列化错误，以及物理观测量的错误重建。
• 错误恢复机制： 该框架展示了智能体检测结构化错误（例如，针对特定扫描点缺失喷注聚类）的能力，能够重新调用必要的工具并恢复工作流，而无需人工干预。

结果

基准测试结果强调了编排层的关键作用：

• 可靠性： 经过模式验证的工具减轻了 LLM 的序列化负担。如果没有工具，模型经常在将复杂负载（整个脚本/运行卡）序列化为有效 JSON 时失败，导致致命崩溃。
• 物理正确性： 借助领域工具，智能体正确重建了注入质量点（1.0, 1.5, 和 2.0 TeV）处的共振峰。在没有工具的情况下，即使流水线执行了，生成的质量分布也是空的或塌缩为零，这表明物理逻辑实现失败。
• 效率： 与经常提前终止或需要过度重试的“仅核心”变体相比，工具辅助型的智能体所需的 token 和工具调用次数更少。

意义与主张

作者将 HEPTAPOD 定位为并非完全取代人类研究人员的自主系统，而是一个**人机协同（human-in-the-loop）**系统，旨在增强科学推理能力。

• 复现性的基础： 通过强制执行模式验证和运行卡驱动的配置，HEPTAPOD 为透明、可审计且可复现的 AI 辅助研究奠定了基础。
• 安全性与监督： 该框架确保 LLMs 在既定的计算工作流内运行，并在关键决策点（如运行卡审批）保留人类监督。
• 可扩展性： 工具套件的模块化特性允许通过实现单个 BaseTool 子类来轻松添加新功能（例如新的生成器或分析技术），随后由编排层自动进行协调。
• 未来展望： 本文指出，该基础设施为未来的应用提供了可能，例如自动化背景建模、生成器调优以及迭代的模型细化，在这些场景中，多个智能体可以协作进行理论扩展和现象学可行性研究。

文章总结道，HEPTAPOD 提供了必要的架构，使高能物理工作流能够从手动、易错的脚本编写转向可靠、自适应且可解释的智能体辅助流水线，从而弥合符号理论输入与可测量数据之间的鸿沟。