领域知识驱动的机场净空分析智能代理框架

娄文亮¹，慎利¹，吴亚东²，郑立宁²，李志林¹

1. 西南交通大学  地球科学与工程学院，成都  610031；
 2. 中国建筑西南勘察设计研究院有限公司，成都  610052

摘  要：机场净空分析作为保障航空安全的核心任务，其效率与智能化水平直接影响着整个航空体系的稳定运行，而净空限制面的建模与超限分析，正是实现高效净空分析的关键技术环节。传统方法致力于选址规划、将抽象规范转化为精确可视化实体等，其工具化本质导致流程烦琐、知识应用易错及交互僵化而面临瓶颈，因此，提出一种面向高精度工程领域的智能代理框架。其核心在于构建一个由领域知识驱动的自主智能代理（Agent），通过知识中枢–认知核心–计算工具集三元解耦架构实现落地：结构化的领域知识中枢为代理提供可靠的专业知识；检索增强生成（retrieval augmented generation，RAG）赋能的认知核心负责将自然语言指令智能编译为机器可执行的计算方案；模块化的确定性计算工具集被自主调用，完成自动化建模与评估。以广元机场（4C级）为例的端到端实验表明，所构建的机场净空分析智能代理能精确响应“计算15°偏置起飞爬升面”等复杂指令；量化评估证实，RAG机制确保了领域知识应用100%的准确性，同时将分析效率从数天级缩短至分钟级。研究验证了所提框架在融合大语言模型的规划能力与地理信息系统精确计算能力方面的先进性，为传统工程领域的智能化转型提供了一套可复现的技术框架与实践路径。

关键词：机场净空；智能代理；检索增强生成；领域知识驱动；自动化分析；三维建模

引用格式：娄文亮, 慎利, 吴亚东, 郑立宁, 李志林. 2026. 领域知识驱动的机场净空分析智能代理框架. 时空信息学报, 33(1): 127-140
 Lou W L, Shen L, Wu Y D, Zheng L N, Li Z L. 2026. Domain knowledge-driven intelligent agent paradigm for airport obstacle limitation surface analysis. Journal of Spatio-temporal Information, 33(1): 127-140, doi: 10.20117/j.jsti.202601008

1  引  言

近年来，随着我国将低空经济提升至国家战略层面，通用航空与城市空中交通（urban air mobility，UAM）迎来了爆发式增长，使得机场周边的空域环境日趋复杂，从而对机场净空区的动态、精准管理提出了更高要求（Abdellaoui等，2025；Oliveira，2020）。机场净空分析作为保障航空安全的核心任务，其效率与智能化水平直接影响着整个航空体系的稳定运行，而净空限制面的建模与超限分析，正是实现高效净空分析的关键技术环节。当前，这一关键环节的开展主要依赖于 AutoCAD、ArcGIS 等专业软件平台二次开发的插件或专用工具。这类工具以精确解析几何算法为核心，能依据输入的机场参数，严格遵循国际民航组织（international civil aviation organization，ICAO）《附件14-机场》等规范生成三维净空限制面包络面，并完成障碍物超限判断。其计算过程的确定性与结果准确性，为工程应用提供了可靠、可复现的依据。

目前已有许多研究将地理信息系统（geographic information system，GIS）与三维建模技术应用于机场规划与净空分析。在宏观规划与选址阶段，GIS 凭借强大的空间分析能力被广泛使用。尤其论述了其在机场规划中的原则与作用，并通过模糊层次分析法（fuzzy analytic hierarchy process，FAHP）等评估方法建立可视化选址决策模型，如在地形复杂区域，结合三维GIS与数字高程模型（digital elevation model，DEM）的分析已成为优化选址和飞行程序设计的有效方案（葛林，2020；吴豪和任国正，2024；闵霄和陈春晓，2025）。在核心净空限制面三维建模方面，部分研究致力于将抽象规范转化为精确可视化实体。如通过 GIS 平台二次开发使净空限制面以三维坐标形式在地形图数据库中显示，并进一步建立三维模型，验证其在机场管理中的应用价值（张海东，2015；耿昊等，2021）。在微观障碍物管理与评估方面，部分研究提出了综合利用高度模型、点云数据和正射影像的障碍物提取方法以提升数据获取自动化水平，探讨城市发展背景下的障碍物管理新框架，利用模糊综合评价法建立量化安全评价模型，以及专门研究临时障碍物的差异化审核与管理可行性 等（李杰龙，2022；李淑君和方学东，2024；李明捷和石荣，2011；张乐和秦险峰，2023）。然而，上述研究所固有的工具化本质导致出现如下三大核心瓶颈：①数据处理流程断裂，依赖人工在不同软件间切换；②参数查证烦琐易错，需要手动查阅复杂的民航规范（H?u?ler和Borrmann，2021）；③人机交互僵化，难以响应灵活、模糊的自然语言查询。

大语言模型（large language model，LLM）的出现为构建自然语言驱动的人机交互新框架带来了可能（Han 等，2024）。然而，将通用LLM直接应用于机场净空分析这类高精度工程计算领域，面临如下两大根本性挑战：一是领域知识缺失与“幻觉”问题，模型可能生成看似合理但事实错误的参数（Ji等，2023）；二是缺乏精确计算与外部工具调用能力，LLM本身无法执行高精度的几何建模与空间分析。为此，将智能代理（Agent）框架与检索增强生成（retrieval augmented generation，RAG）相结合，已成为构建可靠行业AI应用的前沿路径。Agent赋予系统自主规划与行动的能力，而RAG则通过连接可信的外部知识库，从根本上解决了LLM的“幻觉”问题。当前，这一组合框架已在多个需要高可靠性的垂直领域得到成功应用。例如，在法律分析领域，ChatLaw通过检索法规数据库确保了法条的准确性（Cui等，2023）；在水利工程领域，Yang等（2025）构建了一个多智能体协作智能决策框架，实现了水利工程全过程的自动化检查；在医疗领域，Wu等（2024）基于三重图谱和U形检索构建了面向医疗的MedGraphRAG系统，解决了RAG结合LLM在处理复杂、长篇的医疗文档时，仍难以进行深度综合性推理的问题。与此同时，这一技术趋势，与测绘地信领域向智能化测绘转型升级的发展趋势高度吻合。例如，张新长等（2025）构建了智能感知–融合–认知–决策–服务的全生命周期时空信息数智化平台，为智慧城市与自然资源管理提供了基础支撑；陈卉等（2025）提出了基于LLM的土地征收智能问答助手框架，通过多维知识库、智能体架构及三维评测体系，显著提升了政务服务的专业性与效率；沈妙等（2025）探索了时空垂类大模型与时空计算服务智能体两条赋能路径，通过三维空间感知、耕地保护等案例验证了工程化应用可行性；陈展鹏等（2025）结合知识图谱与LLM构建用地报批智能问答框架，实现了业务知识结构化整合与精准问答。

尽管“RAG+Agent”在GIS领域的探索已初见端倪，但主要集中在让LLM扮演GIS分析师的角色，根据用户需求直接生成空间分析代码完成计算任务（吴华意等，2025；Liang等，2025）。其尚未系统性地解决一个根本性矛盾，即LLM本质上的概率性与工程分析（如机场净空）所要求的确定性之间的冲突。直接让LLM生成分析代码，在面对复杂的、具有严格规范约束的专业任务时，仍存在不可预见的风险。因此，当前核心挑战在于，如何构建一个既能利用LLM的自然语言交互与规划优势，又能保证最终计算结果符合工程精度的全新框架？

因此，在智能代理的宏观框架指导下，本文聚焦于将其应用于机场净空这一高度专业化的三维地理空间建模分析领域的具体实践，提出一种领域知识驱动的机场净空分析智能代理框架。其中，净空限制面生成过程，本质上是一次由自然语言驱动的、符合民航规范的自动化三维地理空间建模；超限评估过程，则是对生成的地理模型与障碍物点实体进行自动化的空间关系判断。重新定义领域专家、专业知识与计算工具之间的关系，其核心思想在于通过知识显性化、规划智能化、计算精确化的三元解耦实现自主式分析。具体包括如下三部分：①负责精确知识存储与管理的领域知识中枢；②负责基于可靠知识进行智能规划的RAG赋能认知核心；③负责执行精确计算的模块化计算工具集。

2  智能代理框架

领域知识驱动的机场净空分析智能代理框架，通过构建一个能够理解领域语言、掌握专业知识并自主调用计算工具的智能代理，实现从“人适应工具”到“工具适应人”的根本性转变。其实现主要依赖于三大核心设计。一是知识显性化，将隐含在规范文档和专家经验中的领域知识，转化为机器可读、可检索的结构化数据，作为代理决策的基石。二是规划智能化，利用LLM的自然语言理解与推理能力，将用户的高层意图自主分解为一系列精确、可执行的计算步骤。三是计算精确化，将所有需要高精度和确定性结果的计算任务，封装为独立的、可靠的模块化工具，由代理按需调用，确保最终结果的工程精度。因此，设计知识中枢–认知核心–计算工具集的三元解耦架构系统。

2.1  系统总体架构

系统架构示意图如图1所示。在逻辑上由三大核心组件构成，各组件通过标准化的数据对象进行交互，形成一个协同工作的智能系统。

（1）领域知识中枢，作为代理的长期记忆与专业知识库，是专业能力的来源。因此，投入大量专家精力，通过对《民用机场飞行区技术标准》（MH 5001—2021）等权威规范文档进行系统性解构，建立包含层次化的机场参数知识库、定义拓扑与变换规则的净空限制面特征库，以及用于统一多源数据的标准化障碍物实体库。特别地，设计一套确定性的语义–坐标映射规则，建立连接模糊自然语言位置与精确计算内部坐标的关键桥梁。

（2）RAG赋能的认知核心，作为代理的“大脑”，以LLM为推理内核，负责决策与规划。其核心的RAG引擎集成指令解析、意图识别、动态知识检索和知识增强的提示词工程等功能模块。主要职责是将用户的自然语言需求，智能地规划并编译为一个机器可执行的、结构化的JSON计算方案。

（3）计算服务工具集，作为代理的“手臂”，是其执行具体物理世界或数字世界操作的能力载体。所有后端的复杂计算，如净空限制面几何建模、障碍物超限评估等算法，均被封装为独立的、可通过API调用的工具。每个工具都定义其明确的功能、输入参数结构和输出格式，为代理的自主调度提供可靠的能力保障。

2.2  核心工作流程

一次典型的自然语言驱动分析任务，将遵循一个指令解析—智能规划—调度执行的自动化工作流程，如图2所示。具体如下所述。

（1）指令解析与意图识别。系统首先接收用户的自然语言指令，如“计算4C级机场的起飞爬升面，并向左偏置15°”；其次指令解析模块采用意图识别–实体提取–编码标准化的流程，将其解析为一个结构化的内部任务对象。该流程包含多级解析与验证机制，对于模糊或不完整的指令，系统将通过预设的澄清策略与用户进行交互，以确保任务意图的准确性。

（2）RAG驱动的智能规划。确认任务后，认知核心的RAG引擎被激活。以任务对象为索引，首先从领域知识中枢中检索所有相关的规范参数，如4C级机场的起飞爬升面坡度，以及上下文规则，如起飞爬升面的几何构成。其次，通过一个精心设计的，包含角色设定、注入的领域知识、注入的专家规则和输出格式约束等关键部分的提示词模板，将这些高质量的知识动态注入LLM，引导其生成机器可读的JSON计算方案。

（3）调度执行与成果输出。代理内部的智能调度器接收并解析LLM生成的JSON计算方案。通过匹配方案的结构特征，如是否存在“obstacle_info”或“bias_angle”等关键字段，从而与工具集中各工具的输入模式进行匹配，自主选择并调用最合适的计算服务工具。工具执行精确计算后，最终结果以包含专业分析报告的“自然语言轨道”和包含可供下载的“*.glb”三维模型的“机器可读轨道”的双轨形式输出，形成一个完整的交付闭环。

2.3  构建知识中枢

为实现知识的显性化、结构化与可计算性，知识中枢的构建包含如下两方面关键技术。

1）规范知识的结构化建模

将《民用机场飞行区技术标准》（MH 5001—2021）等权威规范，系统性地解构为三个相互关联的子库。一是层次化的机场参数知识库。以机场等级–净空限制面类型–参数列表的结构，存储所有精确计算参数。二是净空限制面特征库。通过几何构成–参数定义–语义描述的三层模型，定义净空限制面的拓扑结构和偏置等变换规则，实现参数的定义与赋值的分离。三是标准化的障碍物（obstacle）实体库。通过定义类型、空间、高度三大核心属性，解决多源障碍物信息的异构性问题。

2）空间关系的计算性建模

为连接模糊语义与精确计算，建立一套确定性的语义–坐标映射规则见表1。通过基准点识别→方位词解析→距离提取→坐标合成的四步流程，能够将用户的“跑道东端800 m处”这类自然语言位置描述，精确地转换为系统内部使用的本地笛卡儿坐标系下的Point3D对象，从而为后续的精确计算提供了可靠的输入。该流程的具体步骤如下。

（1）基准点识别。通过关键词匹配，如“跑道中心”“东端”“中心线”等，识别语义中的空间基准点。这些基准点在对机场跑道建模时都预先定义明确的本地坐标，如跑道中心定义为相对坐标系的原点。

（2）方位词解析。构建方位词解析矩阵，将“东”“西”“南”“北”等方位词解析为对本地坐标系坐标轴的操作。考虑到净空分析包含跑道偏置这种特殊情境，因此，进一步从“静态位置描述”扩展到“动态几何操作”。例如，当识别到“左偏”“右偏”等方位术语时，系统并不会将其解析为一个简单的Y坐标偏移，而是将其映射为一种“空间旋转变换”操作。

（3）距离提取。利用正则表达式，从文本中精确提取出与方位词绑定的距离数值。对于复合型方位描述，如“距离机场东端800 m，中心线北侧200 m处”，系统会并行地扫描并提取出多个独立的“方位词+距离”元组。

（4）坐标合成。通过“基准点坐标 + 方位词对应的坐标轴操作 + 距离数值”的向量运算，得到障碍物在本地坐标系下的精确坐标，并将其封装为系统自定义的Point3D对象。

2.4  RAG赋能的认知核心

认知核心负责将用户的意图转化为精确的、可执行的规划。其实现主要依赖于动态知识检索、知识增强的提示词工程和对LLM输出的结构化解析。

1）面向净空分析的动态知识检索

动态知识检索是认知核心的第一环节，核心目标是根据用户意图，从知识中枢中精准获取推理规划所需的全部信息。其采用外部信息检索→内部知识检索的双重检索策略，并非一次简单的数据库查询，而是由外及内、层层递进的双重检索过程。通过外部信息检索，从用户的原始指令中提取关键任务实体；进一步地，进行内部知识检索，从知识中枢中匹配并获取深度的领域知识。具体步骤如下。

（1）外部信息检索遵循假设—验证—确认的迭代流程。首先通过关键词扫描建立初步意图假设，如识别“计算进近面”为“净空限制面计算”任务，并选择对应的参数提取模板；其次以模板为引导，从用户指令中提取结构化实体，如{机场等级：“4C”，净空限制面类型：“进近面”}；最后基于模板填充完备性确认任务意图，将模糊意图判断转化为可量化的数据完备性校验。

（2）内部知识检索以外部检索结果为索引。首先进行参数层检索，使用提取的实体作为查询关键字访问机场参数知识库，返回结构化的规范参数字典，如4C级机场进近面的内边宽度300 m、散开率15%等全部计算参数；同时进行上下文知识检索，从净空限制面特征库中获取相关的几何构成规则和专家约束。

通过上述双重检索机制，获得既包含用户具体需求又涵盖专业知识的完备信息集合。其核心优势在于将非结构化的自然语言需求精确映射为结构化的领域知识，以确保知识检索的准确性和完整性。

2）知识增强的提示词工程

知识增强的提示词工程是RAG驱动方法的核心。在调用LLM前，系统会动态构建一个信息极其丰富的提示词。如表 2 所示，将典型提示词精心设计为如下五个逻辑部分：

（1）角色设定，指令LLM扮演“机场净空限制面计算专家”，以激活其相关的知识背景；

（2）任务描述，传入用户原始的、未经修改的自然语言需求；

（3）注入的领域知识，将从知识中枢检索到的所有相关定量参数，如内边宽度、散开率、各段长度和坡度等，以清晰的列表形式注入；

（4）注入的专家规则，注入从知识中枢检索到的定性规则和约束条件，如“第一段和第二段均为倾斜爬升段，必须统一采用2.0%的坡度进行计算”，用于修正LLM可能存在的过时或错误的知识，以确保其规划符合最新的行业规范；

（5）输出格式约束，强制LLM以严格的JSON格式返回结果，并提供一个结构模板，以确保其输出是机器可读和可预测的。

3）结构化方案的生成与解析

经过知识增强的LLM会生成一个结构化的JSON计算方案。这份方案不仅是后续计算的指令集，其独特的键值结构更是智能调度器的决策依据。如一个用于超限评估的方案会包含“obstacle_ info”对象，而一个用于偏置面计算的方案则会在“custom_params”中包含“bias_angle”和“bias_side”字段。认知核心会对返回的JSON计算方案进行严格的语法和模式验证，以此确保规划的有效性后才传递给执行层。

2.5  计算服务工具集

认知核心输出的结构化 JSON 计算方案，通过工具集的“Schema 匹配机制”实现自主调度。其主要包括工具化封装与智能调度、核心计算算法两方面。

1）工具化封装与智能调度

所有的后端计算，如净空限制面生成、超限评估、坐标转换等，都被封装为Agent可调用的工具。每个工具都通过自然语言描述其功能，并拥有一个严格的输入模式。如表3所示，不同的计算工具对应不同的JSON计算方案，智能调度器通过将LLM生成的JSON计算方案与工具的Schema进行匹配，实现对工具的自主选择和调用。

2）核心计算算法 

被调用的工具执行确定性的算法以保证精度。具体如下。

（1）净空限制面生成服务采用“单端计算 + 镜像变换+三角面生成和拼接”策略。首先，以跑道中心线中点为原点建立本地笛卡儿坐标系，X 轴平行于跑道方向，Y 轴垂直于跑道方向；其次，仅精确计算净空限制面一侧，如跑道东端的所有三维顶点坐标，根据注入的参数，如内边宽度、散开率、坡度等，通过解析几何公式逐点求解构成净空限制面边界的关键角点三维坐标；再次，基于跑道中心线的对称性，对东端顶点集执行镜像仿射变换，自动生成跑道另一侧完全对称的顶点集，并依据两端的高程差异进行高程修正，以避免传统方法中重复计算两侧顶点的冗余操作；最后，依据存储的角点坐标和存储的三角面片角点顺序绘制三角面片，并拼接为目标限制面。

（2）超限评估服务采用“水平投影判断+高程比对”的两阶段算法，完成障碍物是否穿透净空限制面的精确判断。一是水平投影快速筛选，将障碍物与目标净空限制面同步投影至水平面，通过多边形包含算法判断障碍物投影是否落入净空限制面投影范围内，快速排除无超限可能的目标；二是高程精确比对，根据其平面坐标计算对应位置的净空限制面允许最大高程，进而与障碍物实际高程进行比对，若实际高程超过限制高程则判定为超限。

3  实验分析

为评估方法有效性，以4C级四川广元盘龙机场为研究对象，开展定性与定量分析。定性场景演练旨在验证框架在真实工作流中的端到端能力，其中，基础建模验证知识中枢、计算工具集的可靠性，复杂推演与超限评估重点考察认知核心的智能规划与调度能力；定量分析则聚焦于RAG机制在知识准确性与时效性方面的核心价值。原型系统后端基于Python FastAPI构建，前端采用React框架，并通过Cesium.js引擎实现三维可视化，采用LLM claude-3.5。

3.1  端到端场景演练

为验证在不同复杂度任务中的适配性，设计基础建模→复杂推演→风险评估的递进式场景，模拟机场规划师真实工作流程。通过具体实验还原该流程，即模拟机场规划师与系统开展连续对话，完成从基础环境构建到复杂风险预估的全流程交互。

1）基础净空限制面生成

用户输入“计算4C级广元机场的进近面”。系统迅速响应，生成了如图3（a）所示的详细计算报告，并提供了可下载的*.glb三维模型文件。报告中不仅有计算结果，还包含了所依据的技术参数和应用的“技术修正”规则，体现了输出的专业性。以此类推，通过下达相似的自然语言指令，如“计算内水平面”“计算过渡面”等，系统能够逐一地、自动化地生成所有其他标准净空限制面。当将这些由系统独立生成的多个“*.glb”三维模型，全部加载到三维交互式分析模块中时，如图3（b）所示，可以看到各个净空限制面在空间上实现了完整的、符合规范的拓扑拼接。这充分证明了系统不仅能正确计算单个净空限制面，更能深刻理解和处理净空限制面之间复杂的空间拓扑关系，可为后续的分析工作构建完整、精确、可靠的三维数字净空环境。

2）复杂工况推演

基于上文所述，用户输入“在刚才的基础上，计算一个向左偏置15°的起飞爬升面”。系统成功解析出偏置这一复杂约束，并自主调用了包含旋转变换的特殊计算工作流，如图4所示，新生成的偏置净空限制面与标准净空限制面在三维场景中进行叠加对比，可以清晰地观察到模型精准地绕跑道端点发生了旋转，以此为航线规划提供了可靠的可视化依据。

3）智能超限评估 

用户输入一条完整的评估指令“4C广元机场，距跑道东端800 m处有35 m高建筑，评估是否超限”。Agent再次被激活，进入超限评估流程。如图5（a）所示，系统以摘要卡片形式清晰地返回了核心结论，即影响一个净空限制面、最大超限15.0 m。进一步地，在详细报告中指出了具体超限的净空限制面、超限值及“必须降低高度至少19.0米”的明确建议，如图5（b）所示。

3.2  知识准确性与时效性分析

1）知识应用的准确性

为验证RAG机制在领域知识应用的准确性，实验对比有无RAG支持的LLM在生成“4C级机场进近面计算参数”时的表现。如表4所示，未经过RAG增强的通用LLM在生成参数时，出现了数值错误，如将坡度3%误记为2.5%，以及关键参数遗漏（未配置中间段长度）的问题。这暴露了其在专业领域知识的局限性和固有的不可靠性。相比之下，系统通过RAG从可信的领域知识中枢中精确检索并注入事实依据，确保了所生成参数的100%完整性与准确性，从机制上避免了“幻觉”问题，从而证明了RAG在任务中的绝对必要性。

2）对知识时效性的评估

通用LLM的训练语料库截止日期是固定的，导致其内部知识存在滞后性。如经测试发现，所选用的对比模型Claude-3.5，关于中国民航净空规范的知识仅停留在《民用机场飞行区技术标准》（MH 5001—2013）版本，其中，内水平面的几何形态被定义为以跑道中点为圆心的单一圆形（图6（a））；而现行新版规范《民用机场飞行区技术标准》（MH 5001—2021），已将其更新为由两个半圆和一个矩形拼接的复合结构（图6（b））。

如图7（a）所示，当向通用LLM提问“你是一个机场净空分析专家，现在需要你计算一个4C级机场的内水平面，跑道长度2800米，请进行思考，查找数据和计算”时，其回答如（b）所示，错误地描述为“以跑道中心为圆心的圆形”，这正是基于其旧版的内部知识。而本系统的RAG智能体，每次都从已更新为最新规范的内部知识库中进行检索，能够准确地描述为“矩形主体+两端半圆”结构。

3.3  综合效率分析

为验证方法可行性，与采用传统CAD人工方法完成同一综合性任务，如多净空限制面生成、偏置计算和障碍物评估，所需的总工时，进行比较分析。由表5可知，传统人工方法下，一位熟练工程师需要约1人天才能完成全部任务；而使用本系统，一位普通操作员仅需约22 min即可完成。综合分析效率提升了两个数量级以上，实现了从“天”到“分钟”的飞跃，说明应用价值巨大。

总之，上文所述结果从不同角度验证了所提框架的有效性。RAG机制在参数获取上的低误差表现，以及系统面向复杂偏置计算中的精确几何建模能力，证实了架构能够成功应对通用LLM在专业领域所面临的“幻觉”风险与计算精度不足的双重挑战。这表明，架构不仅是针对广元机场案例的特定实现方案，更验证了具备一种通用实例化蓝图的可行性。其通过三元解耦机制，系统性地解决了LLM在专业GIS领域落地的关键挑战，成功融合了其自然语言交互能力与确定性计算的精度。

4  结  论

针对传统机场净空分析中“工具中心型”框架的痛点，提出了一种智能代理分析框架。通过构建“领域知识中枢 + RAG赋能认知核心 + 计算服务工具集”三元解耦架构，融合了LLM的自然语言理解与规划能力和高精度GIS的确定性计算能力，让LLM作为智能规划者将用户意图编译为结构化JSON计算方案。经实验表明，系统通过RAG机制确保了领域知识应用的完全准确性，将原需数天的复杂分析任务压缩至分钟级内完成，并能处理复杂工况展现了高度灵活性。研究成果为城市规划、水利建模、电力巡检等传统工程领域的智能化转型提供了技术参考与实践蓝图。

尽管本研究取得了预期成果，但在知识管理自动化、多轮对话交互能力等方面仍有提升空间。未来研究可从以下三个维度深化探索：一是构建知识图谱驱动的自动化知识提取与更新机制，减少专家维护成本；二是引入基于强化学习的多步骤任务规划能力，使代理具备处理复杂上下文依赖任务的对话管理能力；三是探索跨领域知识迁移机制，验证框架在更广泛工程领域的适用性与可扩展性。这些探索将推动Agent从“工具执行者”向“智能合作伙伴”的根本性转变，为专业工程领域的人机协同提供新的技术路径。