原生 Python 高性能引擎
基于 Numba JIT 加速的 pyacoustics 引擎，避免黑盒式外部调用，兼顾速度、可读性与可扩展性。
1000+条声线 / 秒
27+经典基准场景
YAML声明式环境建模
AI-nativeSkills 原生编排
从一句话，到可信的声场结果
Section titled “从一句话，到可信的声场结果”acoustics-agent 把传统水声传播模型封装成 AI 可以稳定调用的工具链。研究者专注于场景与问题，智能体负责把自然语言转成结构化环境，调用求解器，并输出可复现的声线与传播损失结果。
01 · Describe描述任务
水深、声速剖面、声源、频率与接收范围
02 · Compose构建环境
智能体生成标准 YAML，并检查参数完整性
03 · Solve执行仿真
调用 PyBellhop 等原生 Python 求解器
04 · Explain解释结果
生成声线、TL 热力图与可追溯结论
NATURAL LANGUAGE → SIMULATION
把研究意图，直接交给声学智能体
“使用 Munk 典型声速剖面，声源放在 1000 米声道轴附近，计算 50 公里范围内的传播损失，并画出声线路径。”
智能体会生成环境配置、选择求解参数、运行仿真并返回图像。每一步都保留结构化输入，方便复核、修改和再次运行。
查看完整示例 →acoustics-agent$ acoustics-agent run munk-deep-sea
[✓] environment validated
[✓] 1,000 launch angles prepared
[✓] PyBellhop simulation complete
[✓] rays.png + tl_field.png exported
result: convergence zones detected为智能体而设计，也为研究者保留控制力
Section titled “为智能体而设计，也为研究者保留控制力”标准化 Skills 工具链
从环境生成、参数检查到仿真与绘图，每个动作都有清晰输入输出，适合 LLM 稳定编排。
声明式可复现配置
使用可读的 YAML 描述声学环境。一次对话形成一份可版本化、可审查、可重复运行的实验记录。
经典模型交叉验证
覆盖 Munk、Pekeris、Arctic 等典型环境，并与 Acoustics Toolbox 的结果进行对标。
按仓库 README 安装
Section titled “按仓库 README 安装”先克隆 GitHub 仓库并进入源码目录，然后按照 README 选择标准 Anaconda 环境，或使用 pip 进行本地可编辑安装：
git clone https://github.com/weifengsd/acoustics-agent.gitcd acoustics-agent
# 推荐：标准的 Anaconda 环境conda install numpy scipy numba pyyaml matplotlib
# 或者通过 pip 从当前源码目录安装pip install -e .如需与传统 Bellhop/Kraken 保持完整功能对齐，请另外安装 Acoustics Toolbox，并将 AT_BIN_PATH 指向其 at/bin 目录：
export AT_BIN_PATH=/path/to/at/bin看得见的精度
Section titled “看得见的精度”BENCHMARK · MUNK DEEP SEA
不仅跑得快，更要对得上
原生 Python 结果与传统 Bellhop 在声线结构、收敛区和影区上保持高度一致。基准画廊还覆盖浅海波导、极地表面声道与传播损失场。
浏览全部基准 →
一套框架，多种研究任务
Section titled “一套框架，多种研究任务”深海声道
研究 SOFAR 声道、多途传播、收敛区与远距离声能分布。
浅海波导
分析海面与海底反射、边界参数变化及多径干涉结构。
自主系统
为水下平台快速生成环境响应，支撑规划、感知与算法验证。
模型校验
批量复现经典算例，对比新算法与传统工具链的计算结果。