工程设计常需要在材料价格或系统需求变化时，对已有方案进行重新设计。此类重新设计往往依赖复杂且计算量大的仿真器，传统数值求解器缺乏工程知识，难以保证全局解的质量。大型语言模型（LLM）能够理解语义信息和工程背景，帮助引导搜索，已有研究表明将此类知识嵌入优化过程可提升搜索性能。\ \ 本文提出并评估了一套 LLM 与数值求解器的集成方法，用于重新设计任务。我们比较了三种利用 LLM 的策略：\
- warm start：使用 LLM 生成的初始解作为搜索起点；\
- variable fixing：让 LLM 固定部分变量以缩小搜索空间；\
- ReAct：在搜索过程中让 LLM 动态提供建议并纠正方向。\ 同时，选取四种黑箱求解器进行对比：贝叶斯优化、遗传算法、网格自适应直接搜索（MADS）和随机搜索。实验以电动汽车电池组成本最小化为案例，覆盖四类不同的重新设计情景。\ \ 结果显示，集成方案在保持可行设计发现能力的前提下，仿真评估次数减少约 80%，且找到接近最优解的运行比例提升三倍。最佳的 LLM‑求解器组合以及先验解的利用方式取决于需求变化的结构；当 LLM 对搜索的控制力度增大时，使用更大模型的收益也随之提升。\ \ 这些发现表明，LLM 在重新设计任务中具有显著潜力，可用于引导甚至替代传统数值求解器。\ \ 点评