电池快充协议不再靠人写模板：语言模型生成可执行策略，仿真中健康状态多留约4.2%

电池快充协议的设计空间不再由研究者预先写死的函数形式决定，而是由语言模型生成可执行的控制策略代码。 此前的充电协议优化通常把搜索限制在指数、Sigmoid 曲线或少量分段恒流段这类预设参数化里，这些形式容易优化但限制了能发现的策略多样性。 在基于 DFN 电化学模型并耦合热与退化子模型的仿真中，两种语言模型方法都超过了按 Attia 等人思路实现的三段恒流基线，最终健康状态分别提高4.24%和4.17%。

语言模型不直接做数值训练，而是提出策略的结构或完整表达式，由电池评估器判断好坏。 语言模型在算术和数值精度上并不可靠，因此数值参数要么交给无梯度的 SAASBO 优化器，要么只作为候选由评估器筛选。 Prompt-to-Optimizer 用外层语言模型生成少于35个可训练参数的小网络、内层用 SAASBO 调参；Prompt-to-Protocol 则让语言模型直接生成含参数的完整协议，两者在匹配的210次完整协议评估预算下比较。

这套结果来自 PyBaMM 的 DFN 电化学模型加集总热模型与退化子模型的仿真，评估对象是2.5 Ah 电芯从0充到90% SOC、限时0.5小时、平均约1.8 C 的快充场景，所有方法在相同的完整协议评估预算下比较。适合关注电池协议优化与无梯度黑箱优化的研究者阅读；若要把协议用到真实电芯，还需要模型标定、安全筛查和电芯级验证。

语言模型被明确不视为精确的数值优化器，Prompt-to-Protocol 的成功被解释为黑箱候选生成而非精确数值训练。生成的表达式是问题特定的启发式，未必能直接迁移到不同电芯或工况；仿真未隔离各退化机制的贡献，也未包含全部有害副反应，因此额外加了电压惩罚项来代表未建模的高压过程。