Large Language Model Agent for Structural Drawing Generation Using ReAct Prompt Engineering and R...

文章主要内容和创新点主要内容本文提出了一种基于大型语言模型（LLM）代理的结构图纸生成方法，旨在将工程师的自然语言描述直接转换为可在AutoCAD中生成结构图纸的Python代码，以解决传统结构图纸生成耗时、需专业训练、易出现不一致性等问题。具体内容包括：技术框架：设计了包含6个步骤的多LLM pipeline，每个LLM负责特定子任务（如识别图纸类型、提取细节、补充缺失信息、生成代码等），以克服单LLM的token限制和任务复杂性问题。关键技术：结合ReAct提示工程（引导LLM生成推理轨迹和任务动作）和检索增强生成（RAG，利用外部知识库补充信息），提高生成准确性，减少幻觉。案例验证：通过钢筋混凝土梁、钢梁、预制混凝土梁横截面生成三个案例，验证了方法的有效性，评估了各步骤的准确率（如钢筋混凝土梁第6步准确率83%，钢梁89%）。问题与展望：指出了LLM生成中存在的类型识别混淆、计算错误等问题，提出通过优化模型、严格提示设计、完善知识库等改进方向。创新点多LLM pipeline设计：将复杂的结构图纸生成任务分解为多个子任务，由不同LLM分工处理，克服了单LLM在token数量、任务复杂性上的限制。ReAct与RAG的融合：通过ReAct提示工程增强