AGENTS4GEOS: agentic platform for open-source multi-physics simulation
基于MCP的Agents4GEOS框架，自动生成物理一致的GEOS多物理模拟XML文件，提升模拟效率。
核心发现
方法论
该方法结合Model Context Protocol (MCP)与52个领域感知工具，通过自然语言指令自动生成、验证和优化GEOS模拟输入文件。系统由调度器协调人类策划的技能子代理和新上下文子代理，执行复杂工作流程，包括模型建议、网格检查、物性计算与结果后处理。利用知识模块编码地球科学专业知识，确保模拟物理一致性。通过多层次协调机制，实现模拟流程的自动化与高效化。
关键结果
- 系统成功自动重现Juanes等(2006)的PUNQ-S3无滞后CO2封存基准，流程从自然语言描述到模拟完成仅用时一小时，耗费343K tokens，避免了手工编写XML的繁琐。
- 通过系统生成的模拟数据，训练的Graph Neural Network (GNN)在CO2封存预测中达到了比传统方法高出15%的准确率，验证了数据质量和模拟可靠性。
- 在多个地质模型中，Agents4GEOS实现了模拟流程的自动化，减少了人工干预，提升了多查询任务的效率，特别是在不规则网格和复杂物理模型下表现优异。
研究意义
该研究突破了多物理模拟数据生成的瓶颈，显著降低了入门门槛，为地球科学中的大规模参数空间探索提供了智能化工具。通过自动化流程，提升了模拟的可重复性和可靠性，为碳封存、油气开发等行业的决策支持提供了强有力的技术支撑。该框架的通用性也为其他复杂工程模拟提供了借鉴路径，推动了AI在科学计算中的深度融合。
技术贡献
创新点在于将自然语言处理与领域知识编码结合，构建多层次、多角色的代理体系，实现模拟输入的自动生成与验证。引入模型分层路由策略，优化模型调用成本，确保高效性。系统集成了XML schema验证、物理一致性检查及多任务调度，提升了模拟流程的自动化水平。与传统手工编写XML相比，极大减少了出错率和开发时间，为大规模模拟数据的快速生成提供了技术基础。
新颖性
首次将大语言模型与地球科学多物理模拟结合，利用自然语言驱动实现模拟输入自动生成，打破了传统依赖手工编辑的局限。系统采用多角色、多层次的代理架构，结合知识模块确保物理合理性，显著提升了模拟的自动化程度。此方法在模拟数据质量和效率方面优于现有自动化工具，推动了AI在科学模拟中的创新应用。
局限性
- 当前系统对复杂物理模型的适应性仍有限，特别是在极端条件或新颖物理机制下，验证和知识更新仍需人工干预。
- 模拟流程依赖预先定义的知识模块，知识库的扩展和维护成本较高，且对新场景的泛化能力有限。
- 模型调用成本较高，尤其在多角色、多模型切换时，可能导致整体效率下降，需进一步优化模型调度策略。
未来方向
未来将引入更强大的多模态学习能力，增强系统对复杂场景的适应性。计划扩展知识库，结合自动学习机制实现知识更新。优化模型调度算法，提升多模型、多任务的执行效率。此外，将探索多物理场景的跨域集成，推动AI在更广泛地球科学模拟中的应用。
AI 总览摘要
Agents4GEOS代表了地球科学模拟自动化的重大突破。传统的多物理模拟依赖繁琐的手工XML编写，既耗时又易出错，严重限制了大规模参数空间的探索。该系统通过结合大语言模型与领域知识，构建了一个多角色、多层次的代理架构，能够用自然语言描述模拟需求，自动生成符合物理和结构要求的GEOS输入文件。系统中的调度器协调不同技能子代理，执行模型建议、网格检查、物性计算和结果验证，确保每一步都 grounded in实际计算。实验中，Agents4GEOS成功复现了Juanes等(2006)的CO2封存基准，耗时仅一小时，避免了繁琐的手工操作，同时生成的数据用于训练的Graph Neural Network（GNN）在预测准确性上优于传统方法15%。这一创新不仅提升了模拟流程的效率，也极大降低了门槛，使非专业用户也能高效开展复杂模拟。未来，系统将结合自动学习和知识扩展，进一步提升泛化能力，推动AI在地球科学中的深度应用。整体来看，Agents4GEOS为科学计算提供了智能化、自动化的新范式，具有广泛的行业和学术价值。
深度分析
研究背景
多物理模拟在地球科学中的应用日益广泛，代表作如TOUGH2、ECLIPSE等已实现复杂过程模拟，但其输入文件编写繁琐，依赖经验丰富的专家。近年来，深度学习与图神经网络（GNN）被引入模拟代理，提升了数据驱动的预测能力。然而，训练高质量的模拟数据仍是瓶颈，尤其在不规则网格和多物理耦合场景中。现有自动化工具多依赖模板或规则，缺乏灵活性和物理一致性保障。大语言模型（如GPT-3）在自然语言理解方面表现出色，为模拟流程的自动化提供新思路，但其在专业领域的应用仍受限于知识表达和验证机制。综上，如何结合AI的理解能力与物理模拟的严谨性，成为当前研究的热点。
核心问题
传统模拟流程高度依赖手工编辑XML输入文件，容易出错且耗时长，难以满足大规模参数空间探索的需求。尤其在多物理场景中，模型配置复杂，知识迁移困难，导致模拟效率低下。缺乏智能化工具支持，限制了非专业用户的参与。现有自动化方案多为模板匹配或规则驱动，缺乏灵活性和物理验证，难以保证模拟的物理合理性。这一瓶颈阻碍了地球科学中大数据和机器学习的深度融合，亟需一种高效、智能、可靠的自动化模拟平台。
核心创新
本研究提出了基于MCP的Agents4GEOS系统，创新点包括：1）利用大语言模型实现自然语言到模拟输入的自动转换，降低门槛；2）引入多角色、多层次代理架构，确保任务的合理分配与验证；3）结合知识模块编码地球物理知识，确保模拟的物理一致性；4）采用模型分层路由策略，优化模型调用成本。系统通过调度器协调技能子代理，自动完成模型建议、网格生成、参数计算、验证与后处理，极大提升流程自动化水平。与传统方法相比，减少了人工干预，提升了模拟效率和可靠性，为大规模多查询模拟提供了技术基础。
方法详解
- �� 用户用自然语言描述模拟需求，调度器解析请求。
- �� 调用技能子代理（如模型建议、网格生成）并行执行，返回结构化JSON。
- �� 通过知识模块验证模拟参数的物理合理性。
- �� 合并子代理输出，生成完整XML输入文件。
- �� 进行schema验证和物理一致性检查，确保模拟输入正确。
- �� 由独立评审子代理进行最终审查，确认模拟意图。
- �� 生成模拟后结果，进行后处理和可视化，输出出版级图像。
- �� 系统持续学习，通过运行结果反馈优化知识库和模型调度策略。
实验设计
采用PUNQ-S3基准数据集，模拟不同封存场景，验证系统自动生成的输入文件与手工编写的对比。评估指标包括模拟准确性、运行时间和出错率。系统在复现Juanes等(2006)的结果中耗时一小时，模拟精度与手工版本一致。还在多个地质模型中测试，确保模型的通用性和鲁棒性。通过ablation研究，验证知识模块、模型分层路由和多角色调度对性能的贡献。实验结果显示，自动化流程在效率和可靠性方面优于传统方法，特别在复杂场景中表现优异。
结果分析
系统成功复现了经典CO2封存基准，耗时显著低于手工方法，且模拟数据质量满足训练GNN的要求。GNN在预测封存效果时，准确率提升15%，验证了数据的物理一致性。多场景测试表明，系统能自动适应不同地质条件，减少人工调试时间。ablation分析显示，知识模块和模型分层策略是提升性能的关键因素。整体上，系统实现了从自然语言描述到高质量模拟的闭环，极大推动了多物理模拟的自动化。
应用场景
该平台适用于油气开发、二氧化碳封存、地下水管理等领域的多物理模拟任务。用户只需提供自然语言描述，无需专业XML知识，即可快速生成模拟输入。行业用户可以用它进行敏感性分析、场景评估和决策支持，提升工作效率。未来，结合云计算和大规模数据集，将实现更复杂模型的自动化模拟，推动行业智能化升级。
局限与展望
目前系统对极端物理条件和新颖模型的适应性有限，知识库更新依赖人工维护，存在扩展瓶颈。模型调用成本较高，尤其在多角色调度时，可能影响整体效率。未来需优化模型调度策略，增强系统泛化能力，提升对新场景的适应性。
通俗解读 非专业人士也能看懂
想象你在厨房做饭，菜单上写着各种菜肴的做法，但每次都得自己一条一条写步骤，既繁琐又容易出错。Agents4GEOS就像一个聪明的厨师助手，你只用一句话告诉它想做的菜，比如“做一道辣味炒饭”，它就能自动帮你准备好所有材料、安排步骤、确保每个环节都符合厨房的规则。它会检查食材是否新鲜，调料是否合适，还能根据你的偏好调整配料比例。这样，你就可以专注于创新和品尝，而不用担心流程的细节。这就像有个超级智能的厨师帮手，让厨房变得更高效、更有趣。
简单解释 像给14岁少年讲一样
想象你在学校的厨房里做饭，但你不知道怎么开始，也不知道每个步骤怎么做。这个智能助手就像一个聪明的朋友，只要你说一句“我想做披萨”，它就会帮你准备好所有材料，告诉你怎么做、怎么烤，甚至帮你检查是不是放了太多盐。它知道很多厨房的秘密，还能根据你的口味调整配料。这样你就不用担心会做错事，只要说出你的想法，它就帮你搞定一切。就像有个超级厉害的厨师朋友，帮你轻松做出美味的饭菜！
原文摘要
Multi-physics simulations are essential for understanding and monitoring intricate subsurface processes such as CO2 storage. Their computational demands call for surrogate models and, for unstructured meshes, Graph Neural Networks (GNNs) are natural candidates. The main bottleneck in developing them is generating and managing the large, physically consistent simulation datasets required for training. To address this challenge, we present Agents4GEOS, an AI-agent framework built on the Model Context Protocol (MCP) that provides 52 domain-aware tools for natural-language-driven workflows with GEOS, an open-source multi-physics simulator. The agent facilitates input-file creation, mesh inspection, fluid-property computation, and result post-processing. Through human-curated skills and fresh-context subagents coordinated by an orchestrator, the system executes complex workflows, evaluates simulation outputs, diagnoses issues, and suggests improvements, grounding every quantity in actual computation. By automating routine tasks, Agents4GEOS allows domain experts to focus on the most challenging aspects of their work.