Transformer 代理模型通过将工业网格压缩为少量 token，实现对 3D 流场的预测。每个预测点首先在压缩表示中检索信息（检索步骤），随后通过前馈层对检索到的特征进行变换。传统骨干网络在这两个阶段都没有考虑点在流场中的空间位置。本文引入两种基于壁面信息的条件化机制。\ \ 距离感知交叉注意力（DA-CA）在检索前根据点到壁面的距离对体积查询进行重新加权，使得位于边界层深处的点能够获取与外部流场不同的几何信息。\ \ 表面‑体积混合专家（SVMoE）用一组小规模专家取代共享的前馈层，体积点依据壁面距离路由，表面点依据局部几何路由。两者均与具体网络结构解耦，直接应用于 AB‑UPT 与 Transolver‑3。\ \ 在 DrivAerML 数据集（50 条训练样本）上，DA-CA 将体积压力误差降低 10.1%，DA-CA 与 SVMoE 联合使用时误差下降 12.5%。DA-CA 改善了近壁区的预测，但在远区略有退化，SVMoE 能够补偿此缺陷，且体积专家自然形成近壁、过渡和自由流三个带状路由，无需额外监督。\ \ 扩展至 300 条训练样本后，条件化机制在所有场量上均有提升：AB‑UPT 的体积压力误差下降 33.1%，速度误差下降 18.6%；Transolver‑3 的体积压力和速度误差分别下降 21.4% 和 21.3%。在 DrivAerNet++ 的留一体评估中，对未见车体类型的体积压力误差最高可降低 14.2%。\ \ 点评：本文通过壁面距离信息对注意力和前馈层进行显式调制，显著提升了 Transformer 在复杂三维流场预测中的局部精度，尤其是近壁层的表现，展示了物理先验与深度模型结合的强大潜力。