面向 OpenFOAM 的端到端多智能体框架，通过自然语言自动化 CFD 仿真全流程，涵盖网格生成、配置编写、仿真执行、错误自愈与可视化。
Foam-Agent 是由 RPI CSML 实验室开发的面向 OpenFOAM 的端到端可组合多智能体框架。它通过自然语言提示自动化 CFD 仿真的完整工作流，涵盖网格生成、配置文件编写、仿真执行、错误自动修正以及后处理可视化。
核心能力#
- 端到端仿真自动化：从自然语言描述生成完整 OpenFOAM 仿真案例（
system/、constant/、0/目录下全部配置文件），支持外部 Gmsh.msh网格文件导入，自动生成 HPC 作业脚本并提交，通过 PyVista 自动生成可视化结果。 - 多智能体协作与自愈：基于 LangGraph 管道协调 Architect（架构规划）、Input Writer（配置生成）、Runner（仿真执行）、Reviewer（错误审查）四个角色，仿真失败时自动分析错误日志并修正配置，最多支持 25 次迭代自愈。
- RAG 增强生成：基于 OpenFOAM 官方教程构建分层 FAISS 向量索引，提供上下文感知检索，确保配置文件生成准确性。
- MCP 可组合服务：核心功能以 MCP（Model Context Protocol）工具暴露（
plan、input_writer、run、review、apply_fixes、visualization），支持 stdio 和 HTTP 传输，可嵌入 Claude Code、Cursor、Windsurf 等 AI IDE。仓库内置/foamClaude Code Skill，一键触发完整工作流。 - 多后端支持：LLM 后端支持 OpenAI、Anthropic、AWS Bedrock、Ollama、OpenAI Codex；Embedding 后端支持 OpenAI、HuggingFace、Ollama，默认本地运行
Qwen/Qwen3-Embedding-0.6B无需 API Key。 - 灵活生成模式：
sequential_dependency（按依赖顺序生成，文件间有交叉上下文，适用于 HPC）和parallel_no_context（并行生成，适用于快速本地运行）。
能力边界#
- 仿真引擎限定 Foundation OpenFOAM v10（openfoam.org），不支持 ESI OpenFOAM（openfoam.com）
- 不适用于其他 CFD 求解器（如 Fluent、SU2）
- 平台限定 Linux
评测表现#
在 FoamBench 的 110 个仿真任务上，搭配 Claude Opus 4.6（v2.0.0）达到 100% 成功率，论文报告无干预成功率为 88.2%。
安装部署#
Docker 方式（推荐）：
docker run -it -e OPENAI_API_KEY=your-key-here -p 7860:7860 --name foamagent leoyue123/foamagent
容器预装 OpenFOAM v10、Conda 及全部依赖。
手动安装：
git clone https://github.com/csml-rpi/Foam-Agent.git
cd Foam-Agent
conda env create -n FoamAgent -f environment.yml
conda activate FoamAgent
# 需额外安装 Foundation OpenFOAM v10（openfoam.org）
关键配置#
| 环境变量 | 用途 | 可选值 |
|---|---|---|
FOAMAGENT_MODEL_PROVIDER | LLM 后端 | openai, openai-codex, anthropic, bedrock, ollama |
FOAMAGENT_MODEL_VERSION | 模型标识 | 如 gpt-5-mini, claude-opus-4-6 |
FOAMAGENT_EMBEDDING_PROVIDER | Embedding 后端 | openai, huggingface, ollama |
FOAMAGENT_EMBEDDING_MODEL | Embedding 模型 | 默认 Qwen/Qwen3-Embedding-0.6B |
待确认事项#
- Docker Hub 镜像
leoyue123/foamagent未直接验证可拉取性 - FoamBench 基准（arXiv:2509.20374）的独立代码仓库地址未确认
app.py具体功能未在 README 中详细说明（推测为 Web UI，Docker 映射 7860 端口）- v2.1.0 相对 v2.0.0 的增量变更未明确
学术成果发表于 NeurIPS 2025 Machine Learning and the Physical Sciences Workshop。