PSPP 逆向设计 Agent
给定服役性能目标，反推候选成分区间 + 工艺窗口 + 置信度 + 建议验证方案
数据可得性中低
所需数据是否已在手、能否直接用于建模
工程难度高
从可行性验证到稳定上线的工程风险
实时性要求低
需要秒级响应，还是天级出报告
评级为面向学习者的教学性判断，用于横向比较场景特点，不构成采购或投资建议。
涉及 3 道工序高亮项可点击，跳到对应章节
业务痛点，讲人话
客户提出一个需求："我需要一种材料，在 650 °C 下工作十万小时，屈服强度不低于某个值，还要能焊接。"
传统研发的回答方式是：老专家凭经验想几个候选成分 → 各熔一小炉 → 热处理 → 测性能 → 不行再改。一轮几周到几个月，走完通常要几年。
问题不在于专家不行，而在于：
- 设计空间大到无法穷举 ——十几种元素，每种一个浓度区间，再叠加工艺路径
- 经验难以外推 ——老专家的直觉在熟悉的体系里很准，换个新体系就失效
- 失败不留痕 ——"这条路走不通"的宝贵信息，往往连报告都不写
逆向设计要做的，就是把这个搜索过程从"凭经验试"变成"有依据地搜"。
这个 Agent 编排什么
它本质上是一个工具编排器，自己不做科学判断：
逆向设计 Agent：一个工具编排器
教学示意输入
目标性能
自然语言
LLM 解析
硬约束
成分范围 · 碳当量上限 · 成本上限
目标
屈服强度 · 蠕变寿命 · 韧性
采样
候选成分
条件生成 / 贝叶斯优化选点
物理可行性过滤
CALPHAD
会析出什么相
代理模型
组织与性能，带不确定度
历史试验库 · 文献
做过吗、结果如何
排序
预测性能 × 置信度 ÷ 验证成本
输出
验证方案
成分区间 + 工艺窗口 + 置信度 + 先做哪几炉
输入
目标性能
自然语言
LLM 解析
硬约束
成分范围 · 碳当量上限 · 成本上限
目标
屈服强度 · 蠕变寿命 · 韧性
采样
候选成分
条件生成 / 贝叶斯优化选点
物理可行性过滤
CALPHAD
会析出什么相
代理模型
组织与性能，带不确定度
历史试验库 · 文献
做过吗、结果如何
排序
预测性能 × 置信度 ÷ 验证成本
输出
验证方案
成分区间 + 工艺窗口 + 置信度 + 先做哪几炉
AI 工程师视角·换成你熟悉的说法
逆向设计 ≈ 带约束的条件生成
从目标性能采样候选成分，用热力学计算和代理模型过滤掉物理上不可能的，再按「预测收益 ÷ 验证成本」排序。生成只是第一步，筛选才是价值所在。
CALPHAD ≈ 可信的计算后端
确定性、可复现、有明确契约。让 LLM 去猜热力学是灾难；把 CALPHAD 注册成工具让它调用，才是正确用法。
输出必须带置信度
「建议试 A 成分」和「建议试 A 成分，置信度中等，主要不确定性来自我们没有该温区的历史数据」——后者才是研究员敢用的形式。
数据长什么样
这个场景吃哪几类数据
熔炼/热处理/轧制/等静压工艺记录、力学性能、蠕变疲劳腐蚀长周期数据、失败案例
瓶颈：无统一实体定义、散落个人手中、失败数据普遍未留存、密级分类复杂
冶金机理专业模型、CALPHAD 热力学与相图库、CFD/FEM 仿真结果、数字孪生生成数据
瓶颈：模型未工具化封装、没有统一调用接口——对 Agent 而言等于不存在
金相图像、SEM/EBSD/TEM、XRD 谱图、光谱数据
瓶颈：标注强依赖专家；不同标准体系的评级口径不统一
技术报告、专利、论文、操作规程、设备手册、检修工单、报警日志
瓶颈：非结构化、密级混杂、时效性标注缺失（哪版规程还有效？）
样例结构 / 教学示意，非真实产线数据
# 一条可被模型消费的试验记录（教学示意，也是治理的目标形态）
experiment:
id: "EXP-XXXX"
material_system: "Ni-base superalloy"
composition_wt: # ★ 必须有统一的元素键名与单位
Ni: 62.1
Cr: 16.0
Co: 8.5
Mo: 1.7
Al: 3.4
Ti: 3.4
process: # ★ 工艺是路径不是标量
- {step: "固溶", temp_c: 1080, hold_h: 4, cooling: "空冷"}
- {step: "一次时效", temp_c: 845, hold_h: 24, cooling: "空冷"}
- {step: "二次时效", temp_c: 760, hold_h: 16, cooling: "空冷"}
structure: # ★ 关键隐变量，往往缺失
gamma_prime_fraction: 0.42
grain_size_um: 65
properties:
- {name: "屈服强度", value: 920, unit: "MPa", temp_c: 650, method: "…"}
- {name: "蠕变断裂寿命", value: 1200, unit: "h", temp_c: 760, stress_mpa: 380}
outcome: "partial" # 成功 / 失败 / 部分达标
notes: "室温冲击功偏低，疑与晶界析出粗化有关"
#
# 治理的难点不在写这个 schema，在于把几十年前的报告对齐到它上面：
# 同一牌号三种写法、同一参数两种单位、组织数据大面积缺失、失败案例根本没记录注意 structure 那一段——它是 PSPP 链上最关键的隐变量，也是历史数据里缺失最严重的部分。很多老报告只有成分和性能，中间那层是空的。
实施建议
先选一个材料体系做通，不要铺开。
一上来同时做高温合金、非晶、粉末冶金必然失败——每个体系的机理模型、表征手段、数据格式都不同。选一个有产线闭环、有历史数据积累的体系做通，再复制方法论。
数据治理必须单列项目、单列预算和 KPI。
寄生在业务项目里的数据治理，一定会在赶进度时被砍掉。而这个场景 70% 的工作量在这里。
先做正向预测，再做逆向设计。
正向（给成分工艺预测性能）可以用现有数据验证，能快速建立信心；逆向（给性能反推成分）需要正向模型足够可信才有意义。跳过正向直接做逆向，等于在没有评估器的情况下做搜索。
必懂概念 · 8 张
AI 工程师视角·换成你熟悉的说法
逆向设计 ≈ 条件生成 + 可行性校验
从目标性能采样候选成分，用热力学计算和代理模型过滤掉物理上不可能的，再排序给出验证优先级。
难点在数据不在算法
算法路线业界已相对收敛；真正的成本是把几十年分散的试验数据做到「可被模型消费」——业界经验是这部分占七成工作量。
先做一个材料体系
一上来铺开多个体系必然失败。选一个有产线闭环、有历史数据的体系做通，再复制方法论。
想做这个场景，先读这些
相关场景