科研Agent实战：AI在云主机上跑完NASA翼型验证全流程

海外AI厂商正在给Agent配云电脑——GrokBot每个账号一台常驻云主机，XGPD Cloud提供代码沙箱，Agent的能力边界被硬件托举着往上走。但这套玩法放到国内科研场景，会卡在三个地方：网络访问受限、海外账号与支付门槛、沙箱里缺少现成仿真软件且环境不持久。科研自动化Agent CloscoScience绕开了这三道坎：国内网络直接可用，每团队一台云主机，Ubuntu 24.04预装2400多个Python包，R和Julia工具链齐备，终端可直接开。

本文用流体力学领域一个真实案例，看Agent如何从零完成NASA翼型验证的完整闭环。

一台云主机的算力配置与环境底子

这台云主机是8核16G内存、硬盘接近500G的配置，环境页显示Ubuntu 24.04，预装2400多个Python包。OpenFOAM装了两套，Paraview 6.1也在。模型配置上推荐主从模式：主模型是Cloud Opus 5.5（Anthropic当前最新旗舰模型），擅长深度推理和复杂任务；子智能体跟随主模型，推理强度开到高，上下文蒸蒸。整个任务跑了将近8小时，上下文只用了24%，论文数据、日志、脚本都装得下。

这套配置的关键不在于单卡多强，而在于环境持久化——自己装的软件包不会因为更新而丢失。对于需要反复调试求解器参数的仿真任务，这一点比算力峰值更重要。团队原有的Fluent工作站或GPU集群也能登记成SSH服务器接入，个人电脑可加进团队当一台主机用。技能市场里有860个技能，装一次全队共享。

任务设定：NACA 0012翼型的验证目标

测试对象来自NASA湍流模型资源库：NACA 0012翼型，雷诺数600万，k-Omega SST湍流模型，异形坐标，附带NASA用CFL3D算出的风洞对比数据，8个文件一起丢进去。

提示词只说清楚三件事：要什么、拿什么对照、做到什么程度算完。验收标准定得很具体——升力系数与CFL3D偏差2%以内，并完成三套网格的网格无关性验证。

剩下的交给Agent自己规划。它先核对异形坐标，再按NASA同样的拓扑生成三套网格。粗网格10度攻角先算出来，升力系数1.077，CFL3D是1.0778——第一组数据就落在误差带内。

NACA 0012翼型是NACA（美国国家航空咨询委员会）于1930年代发展的对称翼型，代号中“00”表示无弯度，“12”表示最大厚度为弦长的12%。它因几何简单、气动数据丰富，成为CFD验证的经典标模。雷诺数600万意味着惯性力与粘性力之比极高，流动接近实际飞行条件，对湍流模型和网格分辨率要求苛刻。k-Omega SST湍流模型由Menter提出，结合了k-Omega在近壁区的精度与k-Epsilon在远场的稳健性，通过混合函数切换，是航空航天外流仿真中最常用的两方程模型之一。CFL3D则是NASA Langley开发的结构化网格CFD求解器，其算例常被当作数值基准。异形坐标（chimera/overset grid）允许网格块重叠，常用于复杂几何，但会引入插值误差，需仔细处理。

中网格发散：Agent的自诊断与修复链条

中网格一开始就发散了。Agent没有停下来等人，而是一路自查：先定位到翼型上方的压力震荡，再换离散格式，拿不可压球解器做对照，最后把冷启动逻辑改好，整套攻角扫描才排上队。

这个过程的价值在于问题定位路径。压力震荡指向网格或格式问题，换格式排除离散误差，球解器对照验证求解器本身是否正常，改冷启动则解决初场不匹配——四步串起来是一条完整的CFD排障逻辑，而不是盲目调参。

浏览器关掉后任务继续在云主机上跑。将近8小时、197步之后，6项验收标准全部达到，交回5个文件：一份验证报告、一件附现的算力包、对比图和数据表。

冷启动指求解器从均匀流场或用户给定的初始场开始迭代，而非从已有收敛解插值。冷启动时初场与真实解差异大，容易触发压力震荡甚至发散，尤其在高雷诺数、分离流动中。离散格式（如二阶迎风、QUICK、中心差分）影响数值耗散与稳定性；换格式是排除离散误差的常用手段。不可压球解器（如simpleFoam）用于对照，可验证求解器本身在简单算例上是否正常，从而隔离问题来源。攻角扫描指对一系列攻角依次求解，需保证每个攻角收敛后再推进，否则误差累积。Agent的排障链条体现了CFD工程师的典型思维：从现象定位可能原因，用对照实验逐一排除，最终修复初场逻辑。

结果对照：与风洞和CFL3D的偏差分析

升力曲线跟风洞数据、CFL3D结果基本重合。10度攻角的吸力峰值只差0.2%，升力线斜率差0.8%，失速攻角7度与风洞一致。

但最大升力低了一截。Agent在报告里自己写了原因：SST模型算不出风洞里那种突然失速。这是湍流模型本身的局限，不是求解设置的问题。它还在经验记录里写了几条，比如下次做异形坐标会先分块处理。

这一段的含金量在于Agent不仅给出结果，还给出了误差归因——把"最大升力偏低"和"失速攻角吻合"这对看似矛盾的现象解释清楚，指向模型假设而非数值误差。

升力线斜率是升力系数随攻角变化的斜率，线性段理论值约2π每弧度（约0.11每度），实际受粘性和有限展弦比影响。失速攻角是升力系数达到最大值后开始下降的攻角，NACA 0012在雷诺数600万下约7度，与风洞一致说明线性段和失速前行为模拟准确。最大升力系数偏低则源于SST模型无法捕捉风洞中突然的失速分离——SST基于RANS，对大规模分离和失速后的非定常流动预测偏保守，这是RANS类模型的固有局限，而非网格或设置错误。误差归因指将偏差分解为数值误差（网格、格式、收敛）与模型误差（湍流假设），Agent能识别后者，说明其具备一定的物理推理能力。

科研Agent的边界与适用场景

这个案例没有推翻CFD工程师的价值，而是把重复性工作压缩了。网格生成、参数扫描、排障循环、报告整理这些环节可以由Agent跑通，人只需要定义验收标准。

边界同样清晰。Agent的排障能力建立在已有求解器生态之上，OpenFOAM和Paraview是预装的，换成冷门自研软件，环境配置这一步仍可能卡住。误差归因的质量取决于它能否识别模型假设层面的问题——这次它识别出了SST的失速局限，但这属于教科书级别的已知问题，遇到真正未知的偏差模式，仍需要人判断。

从工程实践看，这类Agent适合作为团队里的常驻算力节点：任务提交后关掉浏览器，回来收报告。对于做仿真、需要反复验证的团队，这种模式省下的主要是等待和排障的人力，而不是替代判断力。