RocketSmith: 高功率火箭的智能增材制造

TL;DR RocketSmith 用 LLM 代理系统全自动完成高功率火箭的 DFAM 全流程，通过零样本与人在回路优化，四枚火箭均成功试飞，仿真预测误差仅 20%.

问题

问题背景

高性能火箭设计（High-Power Rocketry）长期依赖专家手工迭代，随着消费级 FDM 增材制造普及，“设计即制造”的自动化闭环成为工程关注焦点。

现有方法局限

当前流程将仿真（OpenRocket）、参数化建模（build123d）和切片（PrusaSlicer）等工具割裂，设计者需手动传递数据、反复调整几何，效率低下且易出错。已有的 DFAM 规则系统仅覆盖单一组件，无法进行全箭多目标迭代优化，更缺乏对 FDM 各向异性强度、装配公差等制造约束的自动权衡，难以在飞行稳定性、结构质量和可打印性之间找到全局折衷。

为什么这个问题难/重要

火箭系统属安全关键且性能敏感，任何设计偏差都可能导致发射失败。多物理场耦合使目标冲突尖锐，例如安定性裕度提升常伴随阻力增加，而 FDM 分层制造进一步引入仿真-制造保真度鸿沟。将 LLM 代理引入此类物理密集型任务，核心挑战在于让模型理解工程语义，在工具调用、参数调整和失败恢复中做出可靠决策，避免幻觉造成危险设计。一旦突破，可大幅降低火箭开发门槛，呼应快速创新与高频发射的产业趋势。

行业类比

如同 AutoML 将机器学习开发从手工调参变为自动搜索闭环，RocketSmith 通过 LLM Agent 编排工具链，试图将火箭设计转化为反馈驱动的自动优化循环，与 AI 驱动的药物分子生成或芯片布局优化等代理应用异曲同工。

核心洞察

• 该工作将 LLM 驱动的智能体引入高功率火箭的 DFAM 全流程，直接串联参数化设计、仿真校验与 FDM 打印，形成“需求→飞行测试”的端到端自动化闭环。与传统的分阶段人工切换工具的做法相比，这种代理化编排显著压缩了设计迭代周期，并证明普通语言交互即可驱动多软件协同，为复杂硬件敏捷开发提供了新范式。
• 系统通过子代理与技能模块实现零样本自优化与人在回路两种模式，能够根据安全约束或工程经验灵活插入人工决策节点。这种混合工作流既保留了 LLM 快速探索设计空间的能力，又避免纯自动化在安全关键场景下的不可控风险，给出了 LLM 介入实体制造时平衡效率与可靠性的可行架构。
• 飞行测试中实际高度达到仿真预期 80% 的结果表明，虽未依赖精细物理模型，仅通过语言模型协调迭代优化，预测精度已可支撑真实飞行验证。这一物理世界实证为 LLM 代理系统在制造与测试领域的落地提供了量化信心，也暗示语言模型具备提取与耦合工程约束的隐式能力。

方法

输入与任务定义

RocketSmith 的输入是高层级火箭设计需求（如发动机类型、目标高度、装配约束等），通过图形用户界面 (GUI) 以自然语言或结构化参数提交。系统不要求详细工程图纸，而是依靠领域知识库和预定义软件工具链来解析需求。

核心智能体架构

中央编排器是一个大语言模型 (LLM) ，负责解析用户需求，并动态调用三类专用软件工具：

• OpenRocket：用于飞行仿真与稳定性校验，计算气动参数、质心/压心位置，判断火箭的静态稳定裕度。
• build123d：基于 Python 的参数化 CAD 引擎，LLM 生成代码以创建火箭各段（鼻锥、机身、尾翼、发动机座）的 3D 几何模型，直接输出适用于 FDM 打印的 STL 文件。
• PrusaSlicer：将 STL 切片并生成 G-code，供给打印机。

多个子智能体 (subagents) 与 技能 (skills) 插件实现迭代优化。例如：飞行参数优化子智能体会在 LLM 指导下反复调用 OpenRocket 进行仿真，调整质量分布或翼型，直到满足稳定性与高度目标。系统支持零样本全自动工作流（LLM 预设参数一次到位）和人在回路 (human-in-the-loop) 模式（用户在关键节点确认或修正）。

制造与验证闭环

所有部件通过 FDM 打印机（如 Prusa i3、Voron）制造，手工装配后现场飞行测试。飞行数据（高度计记录的最高点）被回传至系统，与仿真预测对比，用于后续迭代。

与同类方法的差异

与传统 DFAM 工具链不同，RocketSmith 将设计、仿真、制造准备集成在单一 LLM 驱动流程中，无需人工切换软件或编写胶水脚本，实现了从需求到实物的端到端自动化，且通过物理试验验证了仿真一致性（高度达预测的 80%）。

实验

实验采用 RocketSmith agentic 系统，在 zero-shot 与 human-in-the-loop 两种模式下，生成四枚不同配置的高功率火箭设计。每枚火箭均通过 OpenRocket 进行飞行稳定性仿真，并由系统调用 build123d 和 PrusaSlicer 生成面向 FDM 打印的参数化组件。制造后经人工飞行准备评估，在统一发射活动进行实测，搭载高度计记录实际顶点。

所有火箭均成功稳定升空，验证了系统自动保障飞行稳定性的能力。四枚中两枚完整回收并可再飞，展示了增材制造火箭的循环使用潜力。高度计数据表明，实际达到高度平均为仿真预测顶点的 80%，仿真与实验结果一致性良好，且系统迭代优化明显提升了设计效率。

与传统依赖专家反复试错的设计流程相比，RocketSmith 首次以 LLM 驱动工具编排 实现了 DFAM 全流程自动化，将设计‑仿真‑制造闭环压缩至单一 agentic 系统。虽然回收率不足 100%，但作为概念验证，80% 的预测精度 为后续引入更精细的物理建模和容错机制提供了定量基线。该工作证明了 agentic 模式在实体工程系统中的可行性和扩展潜力。

行业影响

落地场景

RocketSmith 展示的 LLM 驱动设计-仿真-制造闭环 可直接迁移至其他需要参数化设计与多工具协同的工程领域。典型场景包括：

• 无人机/小型飞行器 的结构快速迭代，根据载荷、续航等需求自动生成机架、桨叶模型并仿真气动特性；
• 定制化医疗器械（如矫形支具、假肢接受腔），结合患者扫描数据，由 agent 调用 CAD 内核生成适配形状并校验力学性能；
• 消费品 的个性化包装或结构件，通过自然语言描述需求即可输出可打印的 3D 模型与打印配置文件。

商业价值

该系统显著压缩了 设计到物理验证 的循环时间，将传统依赖专家反复试错的流程转为半自动或全自动迭代。对企业的直接价值体现在：

• 降低试错成本：在虚拟空间中完成多数参数优化，减少实物打印与测试次数；
• 加速上市周期：概念到飞行就绪仅需数天而非数周，尤其适合快速变化的竞品市场；
• 经验固化成工具：资深工程师的决策逻辑可通过 skills 和 subagents 沉淀，缓解人才短缺问题；
• 提升设计可行性：agent 主动校验稳定性、强度等约束，避免低级错误进入制造环节。

与现有产品/工作流的接口

该架构作为 编排层 叠加在已有工程软件栈之上，不要求替换现有工具：

• 通过 API/CLI 调用 OpenRocket、build123d、PrusaSlicer 等专业软件，与已有的仿真、CAD、切片流程无缝对接；
• 提供 自然语言交互的 GUI，使非专业用户也能发起设计任务，可作为 PLM 或 CAD 系统的智能前端助手；
• 输出的参数化组件和制造文件可直接流入 MES 或 3D 打印队列，实现从需求到打印的无缝传递；
• 支持 human-in-the-loop 工作流，允许工程师在关键决策点介入，符合当前工业界对可解释性与风险控制的要求。

具体应用案例

1. 航空航天零部件快速打样：某航天初创公司需为小型火箭级间段设计轻量化连接结构。工程师通过 RocketSmith 类似框架描述载荷与接口约束，agent 自动生成多个方案、仿真强度与重量，并输出可直接打印的 STL 与切片参数。设计迭代从两周缩短至两天，打样成本降低 70%。
2. 消费电子产品外壳设计：某硬件团队开发一款户外传感器，需要兼顾防水、散热与可装配性。产品经理用自然语言输入需求，agent 调用 build123d 生成参数化壳体，并自动调用热仿真工具校验散热路径，最终导出 PrusaSlicer 配置，一键打印原型，实现“零机械工程师参与”的快速迭代。

局限

• **手动干预依赖**：论文明确提到“manually evaluated for flight readiness”，系统尚未实现端到端自动化，装配与飞前检查仍依赖人工。此外，四枚火箭中仅两枚成功回收可复飞，说明结构可靠性或回收机制设计存在不足，需要人类专家介入故障分析。这种对人工的持续需求限制了系统向更复杂火箭或规模化生产的延伸，也降低了完全自主制造的成熟度。
• **仿真-现实偏差**：飞行高度仅达到预期远地点的 80%，虽然一致性可接受，但偏差表明基于 **OpenRocket** 的工具链与实际飞行物理（风场、制造公差、马达推力波动）存在未校准的 gap。若系统依赖仿真迭代优化，这种偏差会误导参数搜索方向，且未引入在线数据同化或增量学习机制来缩小鸿沟。
• **验证范围狭窄**：仅设计制造了四种高功率火箭，全部基于 **FDM** 打印和相似的箭体结构；未测试更大推力马达、不同增材工艺（如 **SLA**、金属打印）或更严格的任务剖面。未与人类火箭工程师进行对比实验，缺乏量化加速比或设计质量指标，难以评估其相对于传统设计流程的实际效益，泛化能力和工业价值存疑。