给 WorkBuddy 一个任务：设计一台推力 1000N、比冲尽可能高的液体火箭发动机。要求它自己写全部代码、自己运行、自己分析结果、自己优化。我只给了目标和物理边界，没给任何初始参数。

自己从零写了整套一维性能计算程序。

自己选择初始推进剂组合（液氧/甲烷）、自己设室压和喉部面积，然后开始跑。

跑的过程中会主动换燃料、调混合比、改喷管型线参数，不需要人提示。

发现自己犯了低级错误，读一遍自己写的代码后自行修正。

两晚迭代上百次，最终收敛到一组物理上合理的设计，推力达标，比冲在可行范围内。

优点总结：

全闭环，零人工干预。代码、参数、分析、迭代全是 AI 自己完成的。

具备基本的物理纠错能力，能读自己的代码并改正逻辑错误。

能在离散和连续混合的设计空间里自主探索，包括切换推进剂、调整几何参数。

核心局限：

• 所有探索都停留在传统钟型喷管的参数空间里，从未尝试不对称、双钟型、塞式等复杂构型。

• 原因是纯语言模型没有几何空间想象力，它“看不见”形状，只能操作数字参数。

下一步：
打算给这个系统接上几何生成模型（GNN 或 VAE），让 AI 直接操控喷管型线的点云或隐式曲面，而不是通过有限参数描述形状。目标是让它能在无限形状空间里自由变异、试错，自己发明人类没画过的构型。

项目刚开始，先占个坐标，慢慢迭代。

结果很差，但是也能体现AI在设计方面的效率与优越性