DeepSeek接入InoProShop实战：AI自动生成PLC代码完整教程

工控编程遇上AI：DeepSeek+InoProShop方案背景

工业自动化领域的工程师们一直在探索AI与PLC编程的最佳结合方式。自2023年ChatGPT爆发以来，西门子推出了Copilot、CodeSys也有了MCP，但这些方案要么不对中国用户开放，要么存在各种使用限制。

西门子在2024年推出的Industrial Copilot基于微软Azure OpenAI服务构建，能够在TIA Portal中辅助生成PLC代码，但由于底层依赖Azure云服务且数据需要传输至海外服务器，中国大陆用户在访问和数据合规方面面临实际障碍。CODESYS MCP（Model Context Protocol）则是CODESYS平台推出的AI集成协议，允许大语言模型通过标准化接口与CODESYS IDE进行交互——MCP协议由Anthropic公司最初提出，旨在为AI模型提供访问外部工具和数据源的统一标准，但其生态成熟度和对国产大模型的适配仍在发展中。

B站UP主阿凡在编写《SD编程指南》新书的过程中，成功打通了一条AI自动生成代码并写入InoProShop工程的完整链路，使用的是DeepSeek V4 Flash——目前DeepSeek最轻量化的大模型。InoProShop是汇川技术（Inovance）推出的PLC集成开发环境，基于CODESYS平台深度定制，支持IEC 61131-3标准定义的五种编程语言。值得注意的是，InoProShop的工程文件结构采用XML格式存储，这一特性使得外部程序可以通过解析和修改XML文件来实现对工程的自动化操作，也是AI能够"直接操作IDE"的技术基础之一。

这个方案真正实现了从自然语言描述到PLC工程代码的自动化生成与部署，为国内工控工程师提供了一条可落地的AI编程路径。

AI与工控编程的结合点

实战演示：自然语言描述需求，AI自动生成功能块

需求描述：用日常语言定义功能逻辑

阿凡在演示中展示了一个典型的工控编程场景。他在一个母工程（Base Project）中，用自然语言向AI助手提出了如下需求：

帮我建立一个新的功能块，主要作用是把一个气缸的抖动封装成一个功能块。这个气缸要求可以从外部设定抖动时间，包括报警的设定时间。建立完成之后，请在我的自动程序当中调用它，把原来手动写的气缸抖动部分替换成封装好的抖动FB块。

这段需求描述非常贴近工程师的日常工作语言——不需要写任何代码，只需要说清楚功能逻辑和调用方式即可。

这里提到的功能块（Function Block，简称FB）是IEC 61131-3标准中最重要的程序组织单元之一。与普通函数不同，FB拥有自己的实例数据，能够在多次调用之间保持内部状态——这对于需要记忆状态的工控逻辑（如气缸动作序列、计时器、报警状态机）至关重要。在实际工程中，将重复使用的控制逻辑封装为FB是工控编程的最佳实践，它不仅提高了代码复用率，还使得项目维护和调试更加高效。

而气缸抖动（Jitter/Oscillation）本身也是工业自动化中一种常见的执行机构动作模式，指气缸在前进和后退位置之间进行快速往复运动。这种动作在振动送料、装配对位、残留物抖落等场景中广泛应用。抖动控制的关键参数包括单步动作时长、抖动次数、总超时时间和报警阈值，设计时还需要考虑动作到位检测、异常中断处理和安全联锁等工程细节。

母工程中的演示环境

AI执行过程：从创建FB到编译验证

将需求发送给AI助手后，DeepSeek V4 Flash开始自动执行以下工作：

创建功能块（FB）：在InoProShop工程中自动新建气缸抖动功能块
编写ST代码：包含时间触发、前进后退动作序列、报警逻辑等完整实现
生成中文注释：自动为代码添加注释，说明各部分功能
修改调用逻辑：在自动程序中找到原来手动编写的气缸抖动代码，替换为新封装的FB块调用
编译验证：自动完成编译和代码完整性验证

整个过程中，可以在IDE左侧看到工程结构的实时变化——新的Jitter功能块被自动添加到了工程树中。

AI生成的气缸抖动FB块

生成结果分析：AI写的PLC代码质量如何

从演示结果来看，DeepSeek V4 Flash生成的气缸抖动功能块质量相当不错：

功能完整：由执行信号触发，按指定次数和时长完成前进后退动作序列
参数可配置：支持外部设定单步时长和总时长
报警机制：包含报警设定时间，超时自动触发报警
注释规范：每个关键逻辑段都有清晰的中文注释
编译通过：最终编译验证全部通过，代码完整性得到确认

编译通过的验证结果

你可能没注意到，AI不仅生成了功能块本身，还完成了在自动程序中的调用替换工作。这意味着它理解了现有InoProShop工程的上下文，能够在正确的位置进行代码修改——这比单纯的代码生成要复杂得多。从技术实现角度看，这需要AI具备解析工程XML文件结构、理解程序组织单元之间调用关系的能力，而不仅仅是生成一段孤立的代码片段。

技术路线解读：为什么选择DeepSeek V4 Flash

阿凡在方案中选择DeepSeek V4 Flash作为底层大模型，这个选择有几个值得关注的考量。

轻量化带来的实际优势

DeepSeek V4 Flash是深度求索公司在2025年推出的轻量级推理模型，属于DeepSeek V4系列的高效版本。DeepSeek采用的MoE（Mixture of Experts，混合专家）架构是其实现高性能与低成本平衡的关键技术——模型虽然总参数量巨大，但每次推理只激活其中一小部分专家网络，从而大幅降低了计算开销。Flash版本在此基础上进一步优化了推理速度和资源消耗，在工控编程场景下具备明显优势：

响应速度更快：工控场景下工程师不愿意等太久，Flash版本的推理延迟显著低于满血版
部署成本更低：有可能在本地或边缘侧部署，满足工控企业对数据不出厂的安全要求
API调用费用更低：Flash版本的调用成本通常只有满血版的几分之一，对于需要频繁交互、反复调试的工程场景更经济

国产大模型方案的现实意义

阿凡在视频中明确提到，西门子Copilot和CodeSys MCP等方案对中国用户存在开放性或限制问题。选择DeepSeek这样的国产大模型不仅解决了可用性问题，也为工控领域的AI应用提供了一条自主可控的技术路线。在工业控制这一涉及国家关键基础设施的领域，技术自主可控的重要性不言而喻——PLC程序中往往包含企业核心工艺参数和生产逻辑，使用国产大模型可以有效避免敏感数据跨境传输的合规风险。

行业思考：AI+工控编程的未来趋势

这个案例虽然是一个演示，但它揭示了工控编程领域几个重要的发展方向：

从"辅助写代码"到"直接操作IDE"。 传统的AI编程助手只是在聊天窗口给你代码片段，工程师还需要手动复制粘贴。而DeepSeek接入InoProShop的方案实现了AI直接修改工程文件，这是质的飞跃。这种模式的实现依赖于MCP等标准化协议的发展，未来随着更多工控IDE支持类似的开放接口，AI与开发环境的深度集成将成为行业标配。

行业经验的封装方式正在改变。 阿凡提到他在做Base Project时，会把以前的行业经验封装成库供读者使用。未来，这种经验封装可能不再需要手动完成——工程师只需要用自然语言描述需求，AI就能基于积累的行业知识自动生成标准化的PLC功能块。一个设计良好的FB库往往是自动化公司的核心技术资产，而AI的介入可能会大幅降低这类资产的构建门槛，同时也对行业知识的标准化和结构化提出了更高要求。

ST语言天然适合AI生成。 相比梯形图等图形化编程语言，ST（结构化文本）语言的文本特性使其更容易被大语言模型理解和生成，这也是AI在ST编程领域落地更快的重要原因。ST语言的语法深受Pascal和C语言影响，支持IF-THEN-ELSE、CASE、FOR、WHILE等标准控制结构，而大语言模型的训练语料中包含了海量的编程语言文本，ST语言与主流编程语言的语法相似性意味着模型可以充分利用迁移学习的能力。相比之下，梯形图需要转换为图形元素的坐标和连接关系，这种结构化数据的生成对当前的LLM来说要困难得多。可以预见，AI的普及将进一步推动ST语言在工控领域的采用率。

总结：AI自动写PLC代码的可行性与前景

阿凡的这个实践为工控领域的AI应用提供了一个可行的参考方案。虽然目前还处于早期阶段，生成过程需要一定的等待时间，但从结果来看——功能完整、编译通过、注释规范——已经具备了实际工程应用的基本条件。

随着DeepSeek等国产大模型能力的持续提升，以及工控领域训练数据的不断积累，AI自动生成PLC代码的质量和效率还将进一步提高。对于工控工程师来说，掌握AI辅助编程工具将成为提升工作效率的重要技能。值得关注的是，这一趋势并不意味着工控工程师会被AI取代——恰恰相反，AI生成的代码仍然需要具备深厚行业经验的工程师进行审核、调试和优化，尤其是在涉及安全联锁、实时性要求和复杂工艺逻辑的场景中，人类工程师的判断力仍然不可替代。