在MOOSEnger多物理场AI助手中部署前沿代理技术

爱达荷国家实验室开发了MOOSEnger，一个面向MOOSE多物理场框架的领域专用AI代理。该代理新增了本地模型托管管道，包含知识检索、模拟环境验证诊断和持久记忆。在8类工程问题各25道测试中，MOOSEnger-GPT-5.2成功率90%，MOOSEnger-Gemma4为76.5%，而无代理能力的基线模型成功率仅5%和0%。

此前多物理场模拟依赖专家经验，门槛高。MOOSEnger通过本地托管模型和完整管道，使非专家也能通过自然语言完成模拟任务，且成功率显著高于无代理模型，验证了代理能力对科学计算的重要性。

MOOSEnger通过检索MOOSE仓库知识、与模拟可执行环境交互验证输入、并将经验存入持久记忆，形成闭环。代理能自主分解任务、调用工具并迭代修正，从而将大模型能力转化为实际模拟操作，极大提升任务完成率。

该技术可降低多物理场模拟工具的使用门槛，减少对专家咨询的依赖。对研发团队而言，可加速模拟工作流、提升效率；对产品而言，可能带动AI辅助仿真工具的市场需求，尤其在核能等高风险领域。

• 为仿真软件集成类似代理，提供自然语言交互和自动验证，提升易用性。
• 构建领域专属知识库与记忆系统，用于代理的持续学习。
• 开发本地化部署方案，满足数据安全与离线需求。

• MOOSEnger在其他领域的泛化能力如何？
• 本地模型部署的硬件需求具体是什么？
• 代理在真实复杂工程中的稳定性未经充分验证。