想象一个这样的世界：复杂的金属零件不再是从固体块中切削而成，也不是通过模具铸造而成，而是像三维打印机堆叠熔融金属一样，逐层构建起来。这就是增材制造，这项技术有望创造出以前无法制造的形状。然而，制造这些零件是一个微妙的平衡过程。如果墙壁太薄，它可能会坍塌；如果某个部分悬空过远而缺乏支撑，它可能会在热量作用下发生变形。几十年来，工程师们不得不根据一系列规则手动检查他们的设计，运行模拟以预测金属的行为，并在看起来有问题时重新绘制零件。这是一个缓慢且重复的过程，人类的判断力在计算机的原始数字与工厂车间的物理现实之间架起了一座桥梁。

现在，一种名为 AgenticDfAM 的新系统正在改变这种工作方式。该系统不再仅仅是根据静态规则列表检查设计，而是使用一组智能软件代理（agents），它们可以进行推理、测量，甚至重写它们所遵循的规则。这些代理不仅仅是看一个零件的图像；它们还与能够极高精度测量几何形状的专业工具进行交互。如果一个设计未通过检查，系统不仅会标记错误，还会提出修复方案，运行模拟以观察该修复方案如何影响零件的强度和温度，并决定这一改动是否值得进行。至关重要的是，该系统旨在保持透明度。它做出的每一个决策都有特定的测量值或计算数值作为支撑，供人类工程师检查和验证。

由 David Guirguis 领导的研究人员希望看看他们能否在不损失工程所需严谨标准的前提下，实现整个设计、评估和修复循环的自动化。他们构建了一个工作流，其中大型语言模型充当“管理者”，协调不同的软件工具来处理特定任务。一个工具识别数字模型中的形状，另一个测量距离和角度，第三个工具则运行复杂的物理模拟，以预测金属如何升温和降温。语言模型代理读取这些工具的结果，解释其含义，并决定下一步的操作。如果零件的某个部分太薄，代理可能会建议加厚墙壁。如果这导致零件过重，它可能会建议采用不同的形状。该系统会记录每一次测量和应用的每一条规则，确保最终的设计不仅仅是一个猜测，而是一个基于硬数据的解决方案。

为了测试这个系统，研究人员从一个复杂的金属支架数字模型开始。他们将该模型连同针对某种特定镍合金的一套制造指南一起输入到工作流中。系统立即开始工作，将设计分解为几何特征，并根据规则进行测量。它发现了几个违规之处，例如墙壁过薄以及悬垂角度过陡。随后，代理生成了三种解决这些问题的不同方案。一种策略是保持零件整体形状完全不变，但增加材料以加强薄弱环节。另一种策略是移除部分材料以减轻重量。第三种方法则试图在两者之间取得平衡。系统对这三个新版本分别进行了模拟，以观察它们在实际打印过程中的表现。

结果表明，仅仅修复几何错误是不够的。那个通过增加材料来修复薄弱点的版本，在从打印机中取出时产生的翘曲程度最小。然而，那个通过移除材料来减轻重量的版本，尽管满足了所有基本的几何规则，但在某些方向上的翘曲却更严重。这一发现凸显了传统设计工具的一个关键局限性：它们通常一次只解决一个问题。相比之下，AgenticDfAM 能够洞察权衡关系。它表明，在一种方式上增强零件强度可能会在另一种方式上使其变弱，并且它允许工程师在金属被熔化之前就看到这些后果。

该系统还证明了其处理不在原始规则列表内的问题的能力。在一次实验中，研究人员要求系统为夹具设计支撑结构。这些支撑结构是临时脚手架，用于在打印过程中支撑零件。系统生成了一个设计，但当人类审查员查看时，注意到了一些异常：支撑结构竟然位于零件表面之上，而不是下方。系统并没有仅仅将其标记为人为错误，而是展开了调查。它要求软件测量支撑物与零件表面之间的距离，并意识到生成支撑结构的程序在处理曲面时出现了错误。代理随后重写了代码，在平面和曲面上分别验证了新代码，然后重新运行了整个过程。这一次，支撑结构被正确放置，且浪费的支撑材料显著减少。

该系统最引人注目的适应性展示，出现在它被要求重新设计一个处理热量的零件时。模拟显示，热量在支架的特定区域积聚，这可能会削弱金属。代理提出了对零件形状进行一系列修改的建议，以改善热流。它建议圆化锐利的棱角并填补狭窄的间隙。在再次运行模拟后，系统发现其中一项改动使峰值温度降低了 1、60 摄氏度。这是一个巨大的进步，但也带来了代价：零件变得略重，并且在拆除支撑后产生的位移也略微增加了。系统清晰地呈现了这种权衡，让工程师可以选择一个更凉爽的零件，或者一个更轻的零件，并对此拥有充分的认知。

在整个测试过程中，系统始终保持着推理与测量之间的严格分离。语言模型代理可以建议一种改动，但它不能凭空创造一个数字。如果它需要知道墙壁的厚度，它必须请求一个工具去测量。如果它需要知道温度，它必须请求一个模拟程序去计算。这确保了系统不会凭空捏造事实或编造数据来强行符合某种逻辑。当系统出错时（例如最初在支撑结构上的错误），它能够诊断问题，修正底层的代码，并在继续执行前验证修复效果。这种能够自我纠正并调整其构建设计所用程序的能力，正是 AgenticDfAM 区别于以往自动化尝试之处。

研究人员发现，该系统可以成功应对通常需要一个工程师团队和数小时人工工作的复杂设计挑战。它能够识别违规行为，提出多种解决方案，模拟其结果，甚至修复用于生成这些解决方案的代码。在夹具的案例中，系统将需要返回修改支撑设计的次数从十次减少到了五次。此外，它还成功地将一种取向下的支撑材料浪费减少了近 30%。这些改进不仅关乎速度，更关乎找到人类可能因为过于关注单一规则或单一约束而错过的更优解。

这项工作表明，人工智能可以成为工程领域的强大伙伴，它不是通过取代工程师，而是通过承担测量和计算等繁重工作来实现。该系统就像一个不知疲倦的助手，永远不会厌倦检查数字或运行模拟。它让工程师能够专注于更宏观的层面：决定哪些权衡是可以接受的，以及最终零件需要达到的性能。通过将测量与推理分离，该系统确保了每一项决策都可以追溯到具体的证据。对于航空航天和医疗等一旦出错可能导致严重后果的行业来说，这种透明度至关重要。

最终，AgenticDfAM 展示了我们设计构建之物的未来路径。它超越了计算机仅仅是检查规则列表的概念，转向了一个能够理解设计语境、预测其行为并能调整自身方法来解决问题的系统。该系统并不声称拥有所有答案，但它提供了一种能够更快、更自信地寻找答案的方法。它将设计过程转变为人类意图与机器精度之间的对话——在这里，每一个建议都由数字支撑，而每一个数字都接受检验。这不仅仅是为工程师提供的新工具，更是一种关于如何创造构成现代世界之复杂物体的全新思维方式。