设计高性能微波吸收体需要电磁理论、材料科学和仿真编程的专业知识，且优化过程耗时。AbsorbEvo 提出了一套智能体框架，能够将自然语言的性能目标直接转化为经全波仿真验证的设计方案。
框架的核心是候选进化策略，它将语言推理、基于物理的预测和历史反馈相结合。大型语言模型（LLM）根据任务目标和已有计算记录，给出参数调整的方向和幅度。系统在此基础上执行两类采样：一是沿着 LLM 指导的方向进行有向增量，二是进行全局随机采样，以保证搜索空间的覆盖。
所有生成的候选通过一个低成本的预测模型（物理先验）进行排序，仅排名靠前的方案进入全波仿真环节。仿真结果若满足物理有效性检查，则用于评估实际性能并反馈给搜索过程，指导后续的参数调整。
在训练阶段积累的经验被提炼为文本化的技能库，这些技能在新任务使用前会单独验证，以防止负迁移。
在同等提案预算下，AbsorbEvo 在 36 项 AbsorbBench 持出任务上实现了 79.17% 的任务成功率，显著高于通用智能体的 25.00% 和随机搜索的 12.50%。其平均最佳覆盖率为 0.7816，分别高于 0.6434（通用智能体）和 0.6448（随机搜索）。
通过将语言推理与基于物理的反馈融合进设计决策，AbsorbEvo 为自然语言驱动的微波吸收体自主逆向设计提供了方法论基础。
点评：AbsorbEvo 展示了 LLM 与物理模型协同搜索的强大潜力，为材料与电磁设计的自动化打开了新路径。