让大模型写 APDL（ANSYS 参数化设计语言）脚本，第一次往往能跑通；真正麻烦的是跑不通的时候——网格划不出来、求解不收敛、单元类型不匹配、后处理取不到结果。传统智能体把生成与执行都交给模型自己管，一次失败就整条流水线终止。CAX-Agent 的做法是把执行控制权收回到编排器（orchestrator）：模型只管语义修复，重试预算、工具调度和停止条件由中间件说了算。
三层：路由、本地小模型、外部大模型
第一层是基于 FastAPI 的入口，维护模块注册表，按模块键把请求分派给对应子智能体；第二层是本地推理，部署 Qwen-27B，负责快速的首轮 APDL 生成与修复循环；第三层把外部模型访问统一到网关，实验固定用 Claude Sonnet 4.6，在本地推理不够时提供高能力补全。三层之上是编排器：把用户指令转成 APDL、触发 MAPDL 执行、收集日志、协调有界修复；连接器层可选 PyMAPDL、命令行 MAPDL 或降级模式，并记录重试预算与迭代轨迹。
恢复阶梯：规则先行，模型兜底
失败后，求解器日志会被重新注入提示词，让模型做有针对性的重生成。规则层有四个确定性变换：网格失败时把单元尺寸加倍并回退自由网格；收敛失败时在 SOLVE 前插入多子步与自动时间步；单元类型错误时替换为兼容的单元公式；后处理缺失时改写 SET 命令指向最后一个可用载荷步。规则解决不了，才升级到模型驱动修复；再不行是上下文补全，最后交给人。三种策略被对照：no_recovery 只执行一次；rule_only 用规则补丁，预算 2 次；model_only 读错误日志重生成，预算 4 次、最多 12 个 ReAct 迭代，模型想停也会被强制再试。
450 次算例：完成率、评分与人工接管
基准是 50 个标准结构任务——35 个静力、10 个模态、5 个稳态热，几何刻意简单（梁、板、圆柱，线性弹性、小变形、单物理场），每种策略重复三次，共 450 次。两名评审在盲评下打分，二次加权 Cohen kappa 为 0.84。model_only 的完成率 0.9267、任务得分 3.59/4、总分 9.16/10、零人工干预率 0.84；rule_only 为 0.7733、3.17、7.03、0.00；no_recovery 为 0.6933、2.74、5.60、0.00，效应量 Cliff delta 在 0.81 至 0.87。热分析上差距最大：无恢复跌到 0.5333，模型修复仍有 0.9333。多数案例口径下，三种策略失败数为 3、10、14，残余失败集中在薄壁或网格敏感几何。
这套 harness 的适用边界
作者自己写清了限制：算例简单，不含复杂装配、非线性材料、大变形与多物理场；只测了 MAPDL 一个求解器和 Claude Sonnet 4.6 一个外部模型；规则集来自内部工程分析，而非系统化的故障分类。也就是说，模型修复优于规则补丁这一结论在受控条件下成立，换求解器、换模型都要重测。
可迁移的经验是结构而非数字：把重试预算从模型手里拿走，把错误日志变成结构化的修复信号，把规则、模型、上下文、人做成明确的升级阶梯。CAE 智能体要进工程流程，先得有一条能停、能查、能交回人的安全绳。