Nat. Commun. | 基于大语言模型智能体工作流的概念设计增强框架

DRUGONE

概念工程系统设计具有高度复杂性、不确定性和创造性，传统设计方法与现有 AI 工具难以全面应对这些挑战。研究人员提出 iDesignGPT 框架，将大语言模型与成熟工程设计方法相结合，构建多智能体协作工作流，用于问题定义、信息获取、设计空间探索与方案评估。

该框架引入覆盖度、多样性与新颖性等定量指标，为早期概念设计提供可量化支持。在六项公开工程设计挑战中，iDesignGPT 在原创性与模块化方面持续优于 GPT-4o 零样本、GPT-4o 推理提示和 Deepseek-r1。两项受控用户实验显示，不同背景用户对系统普遍持积极态度，尤其是初学设计者在使用 iDesignGPT 时认知负担更低，设计流程更加清晰。研究结果表明，iDesignGPT 为将语言模型智能体与工程设计方法深度融合提供了可行框架，可同时支持专家与新手开展高质量概念设计。

工程系统设计是科技创新的关键环节，而概念设计阶段决定了产品功能架构与整体可行性。研究表明，高达 80% 的生命周期成本在早期概念设计阶段已被锁定，早期决策失误将带来巨大修正代价。

概念设计面临多重挑战：

• 高度创造性与不完整信息环境；
• 需求不断演化与多学科复杂约束；
• 设计人员经验差异与时间压力。

传统方法如 QFD、TRIZ 等虽具有系统性，但依赖高专业知识门槛，难以适应动态复杂设计空间。现有 CAD/CAE 工具则主要服务于详细设计阶段，对概念设计支持不足。

近年来，大语言模型在推理和生成能力方面取得突破，并逐步发展为具备规划、工具调用与协作能力的智能体系统。然而，其在工程设计领域仍存在：

• 缺乏专业设计知识；
• 易产生幻觉输出；
• 过度依赖用户提示技巧。

因此，亟需将语言模型能力与成熟工程设计流程深度融合，构建可控、系统化的概念设计支持框架。

方法

研究人员构建 iDesignGPT 框架，包含四个核心组件：多智能体系统、知识库、工具集和交互式前端界面。系统通过协同智能体执行四个关键阶段：问题定义、信息收集、概念生成与方案评估。

在协作模式上，框架结合顺序流程、循环验证流程与多专家协作流程，使 TRIZ、功能分解、形态分析、生物仿生设计等工程方法能够被自动化执行。知识库融合在线文献检索与本地语义检索，为智能体提供实时领域信息支持。

大语言模型作为智能体认知核心，在不同阶段动态调用工具并生成结构化设计结果，实现从需求澄清到最终方案输出的完整概念设计闭环。

结果

iDesignGPT 的整体架构与智能体协作机制

系统由多个角色明确的智能体组成，包括分析员、信息官、创新者与评估者，通过预设流程协同完成设计任务。每个阶段均可动态整合知识与工具，确保设计过程系统化与可解释。

图1：iDesignGPT 框架总体结构。

在 GoAERO 工程设计挑战中的应用示范

在真实航空救援飞行器设计任务中，iDesignGPT 从自然语言需求出发，自动完成：

• 多维需求分析；
• QFD 建模；
• 领域知识检索；
• 多策略概念生成；
• 方案综合评估。

最终输出结构化产品设计方案，并与竞赛获奖方案进行对标评估。

图2：iDesignGPT 在 GoAERO 挑战中的完整设计流程。

设计空间探索能力的量化提升

通过语义嵌入分析设计方案分布，研究人员发现：

• 生物仿生与头脑风暴方法显著扩展设计覆盖度；
• 后期 TRIZ 与 SCAMPER 更偏向方案优化；

整体设计空间覆盖度提升约 11.4%，多样性提升约 18.5%，同时保持较高新颖性水平。

图3：设计空间覆盖度、多样性与新颖性变化。

方案评估的稳定性与实际竞争力

在多轮重复评估中，iDesignGPT 始终稳定选出最优方案，体现出一致性决策能力。与 22 个真实竞赛获奖方案对比，其设计结果位于前 25% 区间，显示出实际工程竞争力。

图4：方案评估一致性与竞赛对标结果。

与主流大模型工作流的系统对比

在六项公开工程设计任务中，iDesignGPT 在以下方面显著领先：

• 新颖性
• 原创性
• 模块化程度

Deepseek-r1 在技术成熟度方面表现较强，而 GPT-4o 系列更偏向保守方案。iDesignGPT 在创新性与合理性之间实现更优平衡。

图5：不同方法在设计指标上的性能对比。

用户体验与认知负担评估

两项用户实验显示：

• AI 辅助整体降低设计认知负荷；
• iDesignGPT 在设计流程清晰度、需求发现与决策支持方面表现突出；
• 初学者使用时心理负担显著低于纯人工设计。

专家用户虽更谨慎，但认可其流程化与可控性优势。

图6：用户体验与认知负担分析。

工作流结构在设计效果中的关键作用

分析表明，iDesignGPT 的优势并非单纯来自模型性能，而是源于：

• 系统化流程组织；
• 多智能体分工协作；
• 工程方法嵌入执行。

相比单一大模型提示方式，其结构化工作流更能支撑复杂设计任务。

图7：工作流对设计性能的贡献分析。

讨论

本研究提出 iDesignGPT 框架，实现了大语言模型智能体与工程设计方法的深度融合，为复杂概念工程系统设计提供系统化支持。

其核心优势在于：

• 自动化执行成熟设计流程
• 系统扩展设计空间并量化创造性
• 降低专业知识门槛
• 提升设计过程可控性与可解释性

结果表明，iDesignGPT 能在保持创新性的同时兼顾工程合理性，在多种任务中优于现有大模型工作流。

研究人员也指出当前局限，包括在高度约束问题中的适应性与信息密度管理仍需优化，且目前主要聚焦概念设计阶段。未来可进一步整合 CAD、CAE 等工具，拓展至完整工程设计生命周期。

整理 | DrugOne团队

参考资料

Liu, S., Shen, Y., Zhang, Y. et al. iDesignGPT enhances conceptual design via large language model agentic workflows. Nat Commun (2026).

https://doi.org/10.1038/s41467-026-68672-1

内容为【DrugOne】公众号原创｜转载请注明来源