构建战场环境，涵盖地理、气象、电磁、基础设施等多维态势。核心目标：用自然语言快速生成结构化战场场景。
LLM 将 "红蓝双方在东海某海域对峙，气象条件 XX" 解析为结构化场景参数 (JSON / DSL)
多模态模型从卫星图 / 地图自动提取地形特征、道路网络、关键地标
基于历史场景库做 RAG 检索，推荐相似场景作为起点，降低构建成本
LLM + 规则引擎联合检查参数矛盾，如海拔与水深冲突、时间线逻辑错误
[自然语言输入]
│
▼
[场景 DSL 生成器 (LLM)]
│
▼
[场景参数 JSON Schema] ──→ [场景渲染引擎 (3D / GIS)]
│
▼
[一致性校验 (规则 + LLM)]
│
▼
[结构化场景定义]
在场景基础上定义双方作战目标、兵力编成、交战规则 (ROE)、时间线。核心创新：红蓝对抗博弈 Agent 自动迭代生成想定。
LLM 基于场景 + 作战意图，生成结构化想定：兵力部署、阶段划分、ROE 规则
红蓝两个 Agent 各自独立生成意图，通过多轮对抗迭代完善想定
战术知识库 RAG + LLM 审查，标注兵力不足、后勤断链等风险点
每次修改生成 diff，支持分支 / 合并，类 Git 的想定版本管理
场景描述 + 红方目标
│
▼
┌─────────────────────────┐
│ Red Agent (LLM) │ ← 战术知识库 (RAG)
│ 生成红方兵力部署方案 │
└───────────┬─────────────┘
▼
┌─────────────────────────┐
│ Blue Agent (LLM) │ ← 战术知识库 (RAG)
│ 针对红方部署制定对策 │
└───────────┬─────────────┘
▼
┌─────────────────────────┐
│ Referee Agent │
│ 平衡性审查 + 冲突标注 │
└───────────┬─────────────┘
▼
最终想定文档
基于想定为各作战单元生成具体行动计划。核心价值：多方案并行生成 + 量化比较，突破人工只能覆盖少数方案的局限。
LLM + 规划算法 (HTN / MCTS) 并行输出 3-5 个差异化方案，覆盖不同战术风格
风险、时效、资源消耗、达成概率等维度自动评分，附 LLM 解释
LLM 对多方案做优劣势分析，可融合不同方案的优点生成复合方案
指挥员用自然语言修改方案，LLM 实时调整并反馈级联影响
想定 + 约束条件
│
▼
┌────────────────────────────────────────┐
│ Plan Generator Ensemble │
│ ┌──────────┐ ┌──────────┐ ┌─────────┐│
│ │ 方案 A │ │ 方案 B │ │ 方案 C ││
│ │(激进突防) │ │(稳健推进) │ │(迂回包围)││
│ └─────┬────┘ └─────┬────┘ └────┬────┘│
│ └────────────┼───────────┘ │
│ ▼ │
│ Plan Evaluator │
│ (多维度打分 + LLM 解释) │
└─────────────────────┬──────────────────┘
▼
排序推荐 + 可视化对比
每个方案以结构化 YAML 描述，包含阶段、兵力、行动指令，便于 LLM 生成、校验和推演引擎执行。
plan_id: PLAN-2026-0320-A
name: "东海封锁作战方案 A — 激进突防"
phases:
- phase: 1
name: "电子压制"
start_time: T+0
units: [EW-01, EW-02]
actions:
- type: jamming
target: enemy_radar_net
power: high
- phase: 2
name: "第一波突击"
start_time: T+00:30
units: [AIR-01, AIR-02, NAV-01]
actions:
- type: strike
target: port_facility_A
weapon: cruise_missile
quantity: 12
按方案驱动各作战单元在仿真环境中执行，产生时序态势数据。核心创新：每个作战单元挂载 LLM Agent，自主感知-决策-行动。
每个作战单元挂载 LLM Agent，根据实时态势自主决策，非脚本化行为树
战斗激烈区域用小步长，平静区域用大步长，AI 动态调度提升仿真效率
LLM 作为 "战局导演"，在关键节点注入意外事件，考验方案鲁棒性
推演过程中 LLM 持续解读态势，自动生成态势报告与异常告警
┌──────────────────────────────────────────────────┐
│ Simulation Engine │
│ │
│ ┌────────────┐ ┌────────────┐ ┌────────────┐ │
│ │ Unit Agent │ │ Unit Agent │ │ Unit Agent ││
│ │ (驱逐舰) │ │ (战斗机) │ │ (雷达站) ││
│ │ │ │ │ │ │ │
│ │ 观测→推理 │ │ 观测→推理 │ │ 观测→推理 │ │
│ │ →决策→行动 │ │ →决策→行动 │ │ →决策→行动 │ │
│ └──────┬─────┘ └──────┬─────┘ └──────┬─────┘ │
│ └───────────────┼───────────────┘ │
│ ▼ │
│ 态势融合与冲突仲裁 │
│ ▼ │
│ 仿真时间推进 │
└──────────────────────────┬─────────────────────────┘
▼
时序态势数据流 (SSE)
每个 Agent 遵循 观测 (Observe) → 推理 (Reason) → 决策 (Decide) → 行动 (Act) 循环，输出可审计的决策链，支持事后复盘分析。
UNIT_AGENT_SYSTEM_PROMPT = """
你是 {unit_type} {unit_id} 的指挥 AI。
当前态势：{current_situation}
你的任务：{mission_objective}
ROE 规则：{rules_of_engagement}
可用武器/资源：{available_resources}
输出格式：
1. 态势判断 — 你观察到了什么
2. 决策依据 — 为什么这么做
3. 行动指令 — 具体做什么
4. 预期结果 — 预计产生什么效果
"""
对推演结果进行多维度评估，输出报告，支持方案迭代优化。核心价值：LLM 自动将海量推演数据转化为可读评估报告 + 可执行的改进建议。
从推演数据自动计算战损比、时间达成率、资源效率、态势控制面积等指标
LLM 将指标数据转化为结构化评估报告，含关键节点叙事与图表引用
LLM 分析关键转折点，构建因果链，追溯胜负根本原因
基于评估结果自动提出改进建议，闭环反馈至方案生成阶段
推演时序数据
│
▼
┌─────────────────────────┐
│ 评估指标计算引擎 │
│ (战损 / 时间 / 资源 态势)│
└───────────┬─────────────┘
▼
┌─────────────────────────┐
│ LLM 评估报告生成器 │
│ 指标 → 叙事 → 图表 → 建议│
└───────────┬─────────────┘
▼
┌─────────────────────────┐
│ 根因分析 Agent │
│ 关键节点回溯 + 因果链 │
└───────────┬─────────────┘
▼
┌─────────────────────────┐
│ 方案优化建议 │
│ → 反馈至方案生成阶段 │
└─────────────────────────┘
让 LLM 承担 "认知" 工作（理解、推理、生成、评估），传统算法承担 "计算" 工作（物理仿真、路径规划、优化求解），两者通过结构化 DSL 桥接。这一分层保证了 AI 的创造性与仿真的精确性互不干扰。
| 层级 | 技术 | 说明 |
|---|---|---|
| LLM 编排 | LangGraph / 自研 Agent 框架 | 管理多 Agent 协作、状态流转、对话历史 |
| 知识库 | Elasticsearch + 向量检索 | 作战条令、战术案例、历史战例的 RAG 索引 |
| 仿真引擎 | 离散事件仿真 (DES) + Agent 调度 | 战场事件驱动，Agent 自主决策，支持多时间尺度 |
| 态势存储 | 时序 DB (InfluxDB / TDengine) | 高频态势数据写入与时间范围查询 |
| 可视化 | Cesium (3D GIS) + WebSocket | 实时态势可视化，支持 2D/3D 切换 |
| 方案 DSL | YAML / JSON Schema | 结构化方案描述，便于 LLM 生成、校验和引擎执行 |