基于大语言模型的机械结构智能设计Agent研究

一.立项背景和目标
随着智能制造和数字化转型的深入推进，传统机械结构设计依赖工程师个人经验，存在设计周期长、方案迭代效率低、知识传承困难等问题。本项目立足机械设计领域，提出基于大语言模型（LLM）的智能设计Agent研究，目标是构建机械设计领域知识库，结合RAG（检索增强生成）技术，开发一款能够辅助工程师快速检索设计规范、推荐典型机构方案、进行工程参数分析的智能Agent系统，最终实现机械结构设计的智能化辅助，提升设计效率和方案质量。
二.软件功能及核心功能模块介绍*
本系统核心技术栈包括LLM、RAG、Python后端及Web前端交互。
主要功能模块如下：
1. 知识库构建模块：收集整理机械设计手册、机构原理、设计规范、案例库等专业知识，构建结构化向量数据库。
2. 智能检索与推荐模块：基于RAG技术，实现设计知识精准检索、相似机构方案智能推荐及设计参数优化建议。
3. 参数分析模块：结合LLM推理能力，对推荐方案进行力学性能、运动特性等工程参数初步分析。
4. Web交互系统：搭建用户友好的Web界面，支持自然语言输入查询、方案展示、参数调整及结果可视化。
三、业务流程与功能路径描述
用户通过Web系统以自然语言描述设计需求（如“设计一款用于自动化设备的夹持机构”），系统首先通过RAG从知识库中检索相关设计规范和历史案例，随后调用LLM生成多个机构方案推荐，并提供关键参数分析；用户可进一步与Agent对话进行方案迭代、参数优化；最终输出设计报告和可视化结果。整个流程形成“需求输入→知识检索→方案生成→参数验证→方案输出”的闭环智能辅助路径，显著降低机械设计师的重复劳动，提高创新设计效率。

整体架构和设计思路
本项目采用模块化分层架构设计，整体分为四层：数据层、检索增强层、LLM Agent核心层和Web交互层。
数据层：使用Python + LangChain构建机械设计领域知识库，采用Chroma向量数据库存储设计手册、机构案例、规范标准等结构化/非结构化数据。
检索增强层（RAG）：核心采用Embedding模型（text-embedding-ada-002）+ 混合检索策略，提升领域知识召回准确率。
LLM Agent层：基于GPT-4o / 通义千问等大模型，通过LangGraph构建多Agent协作流程，实现需求理解、方案推荐和参数分析。
Web交互层：使用Streamlit + FastAPI搭建前端界面，支持自然语言对话和可视化展示。
设计思路以“检索增强+Agent规划”为核心，减少LLM幻觉，提高机械设计领域的专业性和可靠性。
我负责的模块和结果
我主要负责知识库构建与RAG检索模块以及Web交互系统的开发与集成。
完成了超过1200份机械设计文档的清洗、向量化处理，构建了包含8万+向量条目的专业知识库；
实现了RAG检索模块，Top-3召回准确率达到87.5%；
独立开发Web交互界面，支持多轮对话、机构方案可视化（3D预览）和参数分析报告自动生成；
最终原型系统在10个典型机械设计案例测试中，方案推荐满意度达85%以上，设计辅助效率较传统方法提升约60%。
我遇到的难点、坑和解决方案
难点：机械设计知识专业性强，通用Embedding模型对术语理解不足，导致检索召回率低。
解决方案：采用领域特定微调Embedding + 混合检索（向量+关键词+BM25），并建立术语字典映射，显著提升召回效果。
坑：LLM生成方案时容易出现不符合力学原理的“幻觉”内容。
解决方案：引入Self-Consistency投票机制 + RAG知识锚定，同时增加后处理校验脚本，对关键参数进行规则验证。
难点：前后端数据交互与多Agent状态管理复杂。
解决方案：使用LangGraph构建状态机流程，并通过FastAPI实现异步接口调用，保证系统稳定性和响应速度。