EngiAgent: Fully Connected Coordination of LLM Agents for Solving Open-ended Engineering Problems with Feasible Solutions
作者: Xiyuan Zhou, Ruixi Zou, Xinlei Wang, Yuheng Cheng, Yan Xu, Junhua Zhao, Jinjin Gu
分类: cs.AI
发布日期: 2026-05-04
备注: Accepted at ICML 2026
🔗 代码/项目: GITHUB
💡 一句话要点
EngiAgent：全连接LLM智能体协同解决可行性导向的开放式工程问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 大型语言模型 工程问题求解 可行性 全连接网络
📋 核心要点
- 现有方法在解决工程问题时，难以保证生成方案的可行性，限制了LLM在工程领域的应用。
- EngiAgent通过全连接协调器连接多个专业LLM智能体，模拟专家工作流，确保每个阶段的可行性。
- 实验表明，EngiAgent在多个工程领域显著提升了方案的可行性，为LLM工程问题求解提供了新思路。
📝 摘要（中文）
工程问题求解是现实世界决策的核心，它需要数学公式不仅能表示复杂问题，还能在数据和物理约束下产生可行的解决方案。与在预定义公式上运行的数学问题求解不同，工程任务需要开放式分析、可行性驱动的建模和迭代改进。尽管大型语言模型（LLM）在推理和代码生成方面表现出强大的能力，但它们常常无法确保可行性，这限制了它们在工程问题求解中的应用。为了应对这一挑战，我们提出了EngiAgent，一个具有全连接协调器的多智能体系统，通过专门的智能体模拟专家工作流程，用于问题分析、建模、验证、求解和解决方案评估。全连接协调器能够实现灵活的反馈路由，克服了先前基于流水线的反思方法的僵化性，并确保流程每个阶段的可行性。这种设计不仅提高了对各种失败案例（如数据提取错误、约束不一致和求解器失败）的鲁棒性，而且提高了问题解决的整体质量。在四个代表性领域中的经验结果表明，与先前的方法相比，EngiAgent在可行性方面取得了显著的改进，为基于LLM的可行性导向的工程问题求解建立了一种新的范例。我们的源代码和数据可在https://github.com/AI4Engi/EngiAgent上找到。
🔬 方法详解
问题定义：论文旨在解决LLM在开放式工程问题求解中可行性不足的问题。现有方法，特别是基于流水线的LLM应用，在处理复杂工程问题时，容易出现数据提取错误、约束不一致和求解器失败等问题，导致最终方案不可行。这些方法缺乏灵活的反馈机制，难以在问题解决的各个阶段进行有效验证和修正。
核心思路：EngiAgent的核心思路是构建一个多智能体系统，模拟专家解决工程问题的流程。每个智能体负责特定的任务（如问题分析、建模、验证、求解和评估），并通过一个全连接的协调器进行通信和反馈。这种全连接的设计允许智能体之间进行灵活的反馈路由，从而在每个阶段确保可行性。
技术框架：EngiAgent包含以下主要模块：问题分析智能体（Problem Analysis Agent）、建模智能体（Modeling Agent）、验证智能体（Verification Agent）、求解智能体（Solving Agent）和解决方案评估智能体（Solution Evaluation Agent）。这些智能体通过全连接协调器相互连接，形成一个循环反馈系统。协调器负责路由信息、检测错误和触发重新规划。整个流程从问题分析开始，逐步进行建模、验证、求解和评估，直到获得可行的解决方案。
关键创新：EngiAgent最重要的技术创新点在于其全连接的协调器。与传统的流水线方法相比，全连接协调器允许智能体之间进行更灵活的反馈和协作，从而能够更有效地检测和纠正错误，确保解决方案的可行性。这种设计克服了流水线方法的僵化性，提高了系统的鲁棒性和问题解决能力。
关键设计：EngiAgent的关键设计包括：1) 每个智能体的具体任务和Prompt设计，确保其能够有效地完成特定任务；2) 全连接协调器的路由策略，决定了信息如何在智能体之间传递；3) 错误检测机制，用于识别数据提取错误、约束不一致和求解器失败等问题；4) 重新规划策略，用于在检测到错误时调整问题解决流程。
🖼️ 关键图片
📊 实验亮点
EngiAgent在四个代表性领域（具体领域名称未知）的实验结果表明，与现有方法相比，EngiAgent在可行性方面取得了显著的改进。具体性能数据和提升幅度未知，但论文强调EngiAgent为基于LLM的可行性导向的工程问题求解建立了一种新的范例。
🎯 应用场景
EngiAgent具有广泛的应用前景，可应用于机械设计、电路设计、建筑设计、交通规划等多个工程领域。通过利用LLM的强大推理和代码生成能力，EngiAgent可以帮助工程师更高效地解决复杂工程问题，并确保解决方案的可行性，从而降低设计成本和提高产品质量。未来，EngiAgent有望成为工程设计领域的重要工具。
📄 摘要（原文）
Engineering problem solving is central to real-world decision-making, requiring mathematical formulations that not only represent complex problems but also produce feasible solutions under data and physical constraints. Unlike mathematical problem solving, which operates on predefined formulations, engineering tasks demand open-ended analysis, feasibility-driven modeling, and iterative refinement. Although large language models (LLMs) have shown strong capabilities in reasoning and code generation, they often fail to ensure feasibility, which limits their applicability to engineering problem solving. To address this challenge, we propose EngiAgent, a multi-agent system with a fully connected coordinator that simulates expert workflows through specialized agents for problem analysis, modeling, verification, solving, and solution evaluation. The fully connected coordinator enables flexible feedback routing, overcoming the rigidity of prior pipeline-based reflection methods and ensuring feasibility at every stage of the process. This design not only improves robustness to diverse failure cases such as data extraction errors, constraint inconsistencies, and solver failures, but also enhances the overall quality of problem solving. Empirical results across four representative domains demonstrate that EngiAgent achieves substantial improvements in feasibility compared to prior approaches, establishing a new paradigm for feasibility-oriented engineering problem solving with LLMs. Our source code and data are available at https://github.com/AI4Engi/EngiAgent.