本研究提出了Foam-Agent，一个基于自然语言输入的多代理框架，旨在自动化复杂的计算流体动力学（CFD）模拟工作流程。Foam-Agent在110个模拟任务中实现了83.6%的成功率，显著提高了CFD的可访问性和建模准确性。

本文介绍了一种结合机器学习与计算流体动力学（CFD）的元学习方法，旨在提高少量数据下的模型表现。研究探讨了大型语言模型（LLMs）在能源领域的应用，开发了多代理工具调用过程，整合专家知识与LLM推理。通过与有限元模块结合，展示了LLMs在设计优化中的潜力，成功率高达90%。此外，提出了自组织多代理框架，提升了大规模代码生成的效率和准确性。