AI驱动HFSS仿真：Codex通过MCP自动完成AEDT建模求解

从手动操作到AI自动化仿真

传统的HFSS电磁仿真工作流程繁琐且耗时——创建工程、建立几何模型、定义材料、设置端口与边界条件、配置空气盒、设定求解频率……每一步都需要工程师手动完成。对于威尔金森功分器这样的经典微波器件，整个流程通常需要经历至少7个关键步骤。

HFSS（High Frequency Structure Simulator）是Ansys公司旗下的旗舰级三维全波电磁场仿真软件，广泛应用于射频/微波器件、天线、高速互连、EMC/EMI等领域。它基于有限元法（FEM）求解麦克斯韦方程组——有限元法将三维空间剖分为大量四面体单元，每个单元内的电磁场用矢量基函数近似表达，最终形成大规模稀疏线性方程组求解。相比时域有限差分法（FDTD），FEM在处理复杂几何形状和非均匀媒质时具有天然优势，能够精确计算复杂三维结构中的电磁场分布、S参数、远场辐射方向图等关键指标。

HFSS的自适应网格细化（Adaptive Mesh Refinement，AMR）技术是其核心竞争力之一，也是理解其计算成本的关键。AMR的工作机制分为三个阶段：首先基于初始网格进行一次完整的有限元求解；然后通过后验误差估计（通常基于相邻单元间场量的不连续性）识别误差最大的单元；最后对这些单元进行局部细化（通常每次迭代细化约30%的单元），再次求解。这个过程循环迭代，直到相邻两次求解的S参数变化量（Delta S）低于用户设定阈值（通常为0.02）。AMR的优势在于将计算资源集中在场变化剧烈的区域（如导体边缘、端口附近），而非均匀细化整个模型，从而在精度与效率之间取得平衡。然而，这也意味着每次仿真的计算成本较高且难以预估——一个中等复杂度的模型在现代工作站上可能需要数十分钟到数小时的求解时间，具体取决于模型几何复杂度、频率点数量和收敛标准。

但如果这一切都可以通过自然语言指令，让AI Agent自动完成呢？

本文将详细介绍如何通过Codex或Claude Code等AI Agent，借助自定义开发的AEDT MCP（Model Context Protocol）桥接工具，直接连通Ansys Electronics Desktop（AEDT），实现从建模、求解到后处理的全流程自动化。最终产出包括S参数曲线图、电场云图和表面电流云图，全部由AI自主完成。

核心思路：不只是生成脚本，而是真正执行

传统脚本生成 vs AI驱动执行

这套方案与常见的"让AI写脚本然后手动执行"有本质区别。传统做法中，你可能会让ChatGPT生成一段IronPython脚本，然后复制到AEDT的脚本编辑器中运行。但这种方式存在明显局限：脚本可能有语法错误、API调用不匹配、缺乏对当前工程状态的感知，出错后还需要人工排查。

AI驱动的方式则完全不同。通过MCP协议，Codex或Claude Code可以：

• 直接读取当前AEDT的运行状态、项目信息和设计内容
• 实时调用AEDT的API执行建模、仿真等操作
• 自动处理错误——当某个步骤失败时，AI能感知错误信息并自主修正
• 导出结果并进行总结分析

这意味着AI不再只是"代码生成器"，而是真正的"仿真执行器"。

Codex是OpenAI推出的云端AI编程代理，能够在沙盒环境中自主执行多步骤编程任务，支持读取仓库代码、运行命令、调用MCP工具等操作。Claude Code则是Anthropic推出的命令行AI编程工具，直接在开发者的终端中运行，具备文件读写、命令执行和MCP工具调用能力。两者的共同特点是支持"Agentic Loop"（代理循环）——这一架构遵循ReAct（Reasoning + Acting）范式：AI首先对当前状态进行推理（Thought），然后选择并执行一个工具调用（Action），接收执行结果（Observation），再基于新信息进行下一轮推理，循环往复直到任务完成。AI不是一次性生成所有代码，而是采用"思考→行动→观察→再思考"的迭代模式，每一步都能根据上一步的执行结果调整策略。

这种Agentic Loop架构对于仿真自动化的意义远超表面看起来的"循环执行"。在传统脚本执行模式下，任何一步失败都会导致整个流程中断，工程师必须手动介入排查。而在ReAct范式下，AI具备了类似人类工程师的"调试直觉"——当HFSS报告"布尔运算失败"时，AI会分析错误信息，推断可能是两个几何体存在微小间隙（这是HFSS中极常见的问题，通常由浮点精度引起），然后自主尝试调整几何参数或使用"Heal"操作修复；当端口定义不正确时，AI会根据错误提示重新计算端口尺寸和位置。这种自主纠错能力是AI Agent区别于传统自动化脚本的本质特征，也是其在复杂仿真场景中能够真正替代人工操作的核心原因。

AEDT MCP桥接工具的关键作用

MCP（Model Context Protocol）是连接AI Agent与外部工具的标准协议。作者开发的AEDT MCP充当了Codex/Claude Code与Ansys Electronics Desktop之间的桥梁，将AEDT的各种操作封装为MCP工具调用，使AI Agent能够像操作本地文件一样操作HFSS仿真软件。

从技术架构上看，MCP是由Anthropic于2024年11月正式开源的标准化协议，其设计目标是解决AI模型与外部工具集成的碎片化问题——在MCP出现之前，每个AI应用都需要为每种外部工具单独开发适配层，形成N×M的集成复杂度，MCP将其标准化为N+M的插件架构。在MCP架构中，存在三个核心角色：Host（宿主应用，如Claude Desktop或Codex）、Client（协议客户端，负责维护与Server的一对一连接）和Server（服务端，暴露具体的工具能力和资源）。MCP采用JSON-RPC 2.0作为消息格式，支持stdio（本地进程间通信，更适合AEDT MCP这类本地工具）和HTTP+SSE两种传输方式。

对于本文场景，AEDT MCP Server的实现层次值得深入理解。它并非直接调用AEDT的底层COM接口，而是基于Ansys官方维护的开源Python库PyAEDT进行封装。PyAEDT提供了面向对象的高层API，将AEDT的各种操作（如创建长方体、定义材料、设置波端口）抽象为Python方法调用，屏蔽了底层COM接口的复杂性。AEDT MCP Server则在PyAEDT之上再添加一层MCP工具定义，将每个仿真操作声明为带有JSON Schema描述的工具（Tool），包括工具名称、参数类型、参数描述和返回值格式。AI Agent在调用工具时，会根据这些Schema描述自动生成符合格式要求的参数，从而实现从自然语言意图到精确API调用的转换。这种三层架构（MCP工具层→PyAEDT层→AEDT COM层）的设计使得AEDT MCP具有良好的可维护性和可扩展性。

环境搭建：三步打通AI与AEDT的连接

第一步：准备软件环境

必要的软件环境包括：

1. Ansys Electronics Desktop（视频中使用的是2026 R1版本），需确保HFSS模块可用
2. AI Agent客户端：Codex、Claude Code或其他支持MCP协议的AI编排工具
3. AEDT MCP项目：从作者的GitHub仓库中获取，路径为 MCP文件夹 → ANSYS → AEDT MCP

第二步：安装AEDT MCP服务

安装过程非常简洁——将AEDT MCP的仓库地址复制到一段预设的安装提示词中，直接发送给Codex或Claude Code，AI会自动完成安装配置。安装完成后需要重启客户端。

重启后，可以在两个地方验证安装是否成功：

• 在Codex/Claude Code的设置 → MCP服务器列表中，应能看到"ANSYS AEDT"服务器
• 在AEDT软件的Automation功能模块中，会出现一个"Start AEDT MCP Bridge"按钮

第三步：联通测试

点击AEDT中的"Start AEDT MCP Bridge"按钮启动桥接服务后，在Codex中发送测试指令。AI会自动执行以下验证流程：

1. 查询当前AEDT进程状态
2. 探测MCP Bridge的端口连通性
3. 通过MCP协议读取当前项目和设计信息

当AI返回"AEDT MCP当前可用，已能读取正在运行的AEDT项目和设计"时，说明连接已成功建立。此时Codex已经具备了直接操控AEDT的能力。

实战演示：AI自动仿真威尔金森功分器

威尔金森功分器：微波工程的经典器件

在深入仿真流程之前，有必要了解威尔金森功分器的技术背景。威尔金森功分器（Wilkinson Power Divider）是微波工程中最经典的无源器件之一，由Ernest Wilkinson于1960年在IRE Transactions on Microwave Theory and Techniques上发表，是微波无源器件设计的里程碑。其核心设计原理是利用四分之一波长（λ/4）传输线的阻抗变换特性，将输入信号等幅同相地分配到两个输出端口。

从物理机制上深入理解威尔金森功分器，需要引入奇偶模分析（Even-Odd Mode Analysis）这一微波电路的经典分析方法。将任意激励分解为偶模（两端口等幅同相激励）和奇模（两端口等幅反相激励）的叠加，可以分别分析两种模式下的电路行为。在偶模激励下，由于对称性，隔离电阻两端电位相同，无电流流过，电阻相当于开路；两路λ/4传输线（特性阻抗Z_T = √(2)×Z₀ ≈ 70.7Ω，其中Z₀=50Ω为系统阻抗）将各自的50Ω负载变换为100Ω，两路并联后恰好呈现50Ω，实现输入端口匹配。在奇模激励下，对称面为虚地，λ/4传输线将短路变换为开路，隔离电阻（100Ω）两端承受全部差模电压，吸收全部奇模功率，实现端口隔离。这种奇偶模分析方法不仅适用于威尔金森功分器，也是分析所有对称微波结构的通用工具，体现了微波工程中利用对称性简化分析的核心思想。在实际PCB实现中，70.7Ω微带线的宽度比50Ω线更窄，需要精确控制基板介电常数（εᵣ）和厚度（h），通常使用Rogers RO4003C（εᵣ=3.55）或FR4（εᵣ≈4.4）等标准基板材料，并通过微带线设计公式或电磁仿真工具精确计算线宽。

提示词工程：精确定义仿真任务

向AI发送仿真任务时，提示词的结构设计至关重要。作者采用了分层式提示词架构：

1. 角色定位：告诉AI它是一个AEDT自动化仿真工程师，已通过MCP连接到本机AEDT
2. 任务性质：明确要求"不是给方案，而是实际调用MCP完成建模、仿真、后处理、截图和工程保存"
3. 设计目标：创建一个3GHz频段的1分2等分威尔金森功分器
4. 核心要求：包含材料参数定义、几何参数变量、仿真设置等具体技术指标

将提示词工程应用于CAE仿真领域，与通用的文本生成或代码编写有显著不同。仿真提示词必须包含足够的物理约束信息，否则AI可能生成几何上正确但物理上不合理的模型——例如，微带线的宽度必须与基板介电常数和厚度匹配才能实现目标特性阻抗；空气盒的尺寸必须足够大（通常在各方向延伸λ/4以上）以避免边界截断效应，但又不能过大导致计算资源浪费。

分层式提示词架构的优势在于：角色定位层确保AI以工程师思维而非纯代码思维工作；任务性质层防止AI退化为仅输出建议而不执行操作（这是大语言模型在工具调用场景中的常见退化行为，需要通过明确指令强制约束）；设计目标层提供物理参数的硬约束，包括工作频率（决定λ/4线长）、系统阻抗（决定线宽）、基板参数（决定有效介电常数和传播速度）；核心要求层则定义了仿真流程的完整性标准，确保AI不会在获得S参数后就停止，而是继续完成场图导出和工程保存。这种结构化的提示词设计本质上是将工程师的领域知识编码为AI可理解的指令格式，也是"提示词工程"在垂直专业领域应用的典型范式。

HFSS自动化执行全过程

提示词发送后，Codex通过AEDT MCP自动完成了以下全部步骤：

1. 创建HFSS工程：在AEDT中新建项目和HFSS设计
2. 几何建模：根据威尔金森功分器的设计参数，自动创建微带线结构，包括输入端口、两个输出端口和隔离电阻
3. 材料赋予：为基板、导体和电阻分别指定正确的材料属性
4. 端口与边界设置：自动创建波端口和辐射边界条件
5. 空气盒配置：根据模型尺寸自动生成合适的仿真域
6. 求解设置：配置频率扫描范围和求解精度
7. 后处理与导出：生成S参数曲线、电场云图和表面电流云图

其中，S参数（散射参数，Scattering Parameters）是微波工程中描述多端口网络特性的标准化指标体系，由Vitold Belevitch于1945年引入，后经David Pozar等人在《Microwave Engineering》等经典教材中系统化阐述。与低频电路常用的Z参数（阻抗矩阵）或Y参数（导纳矩阵）不同，S参数基于行波（入射波和反射波）定义，在高频下更易于测量——矢量网络分析仪（VNA）直接测量的就是S参数。S参数矩阵的元素Sᵢⱼ定义为：在端口j输入归一化入射波、其余所有端口接匹配负载（无反射）的条件下，端口i处的归一化反射/透射波幅度与相位。

对于威尔金森功分器这样的三端口器件，关键S参数包括：S11（输入端口反射系数，理想值 < -20dB，衡量输入匹配质量）、S21和S31（从输入到两个输出的传输系数，理想值约为-3dB，对应功率等分）、S22和S33（输出端口反射系数，理想值 < -20dB）、以及S23（两个输出端口之间的隔离度，理想值 < -20dB，衡量输出端口间的信号泄漏）。值得注意的是，威尔金森功分器是一个有损三端口网络——其散射矩阵不满足无损网络的幺正条件（S†S = I），隔离电阻在奇模激励下消耗功率，这正是它能够同时实现三端口匹配和端口隔离的物理根源（Pozar定理指出，无损三端口网络无法同时实现所有端口匹配）。

在HFSS中，S参数通过在端口上定义波端口（Wave Port）或集总端口（Lumped Port）来激励和提取。波端口更适合微带线等传输线结构，它通过求解端口截面的二维特征值问题来确定传播模式，能够精确处理多模传播和色散效应；集总端口则适用于集总元件（如电阻、电容）的端口定义，假设端口尺寸远小于波长。仿真结果可导出为Touchstone格式（.s3p），这是一种由EEsof（现为Keysight）于1980年代定义的标准文本格式，被ADS、AWR、Cadence等主流电路仿真工具广泛支持，是微波器件仿真数据交换的事实标准。

电场云图和表面电流云图则是场分布的可视化表达，提供了S参数之外的深层物理洞察。电场云图展示了器件内部电磁能量的空间分布——在威尔金森功分器中，可以直观看到电场如何从输入端口沿λ/4传输线传播并在分叉处等分；场集中区域（通常在导体边缘和角点）的识别对于评估功率容量和击穿风险至关重要。表面电流云图则直观呈现导体表面的电流流向和强度分布——由于趋肤效应，高频电流主要集中在导体表面极薄的趋肤深度（δ = √(2ρ/ωμ)，对于铜在3GHz约为1.2μm）内，表面电流的分布直接决定了导体损耗的空间分布，对于理解器件的工作机理、优化布局和评估热管理需求具有重要参考价值。

最终在AEDT中可以直接看到完整的仿真工程文件，模型结构清晰规范，仿真结果包含完整的S参数曲线（S11、S21、S31等）以及直观的场分布云图。

技术价值与应用前景

效率提升分析

对于经验丰富的HFSS工程师，手动完成威尔金森功分器的建模和仿真大约需要30-60分钟。而通过AI驱动的方式，从发送提示词到获得完整结果，整个过程大幅缩短，且无需人工干预。

更重要的是，这套方案降低了HFSS仿真的使用门槛。即使不熟悉AEDT操作界面的工程师，只要能用自然语言描述仿真需求，就能获得专业级的仿真结果。这一点在工程实践中具有深远意义：射频/微波仿真长期以来是一个高度专业化的技能孤岛，掌握HFSS的工程师不仅需要理解电磁场理论，还需要熟悉软件的操作逻辑、了解各类仿真设置的物理含义，以及积累大量的调试经验。AI Agent的介入有望打破这一壁垒，使系统工程师、PCB设计师等非专业仿真人员也能在需要时快速获得电磁仿真验证，从而加速整个产品开发周期。

可扩展的仿真场景

这套MCP桥接方案不仅适用于威尔金森功分器，理论上可以扩展到HFSS支持的任何电磁仿真场景——天线设计、滤波器设计、耦合器仿真、传输线分析等。关键在于提示词的设计质量和MCP工具的覆盖范围。

从更宏观的视角看，AEDT MCP代表了一类重要的"专业软件AI化"模式：通过MCP协议将成熟的专业仿真软件（不仅是HFSS，还可以是CST、COMSOL、ANSYS Mechanical等）的操作能力暴露给AI Agent，而非试图用AI从头重建仿真能力。这种"AI+专业工具"的组合模式充分利用了现有软件经过数十年验证的求解器精度和稳定性，同时通过AI的自然语言理解和自主规划能力大幅降低使用门槛，是近期AI赋能工程领域最具实践价值的技术路径之一。

当前局限与注意事项

目前这套方案也存在一些需要注意的限制：

• 复杂模型的几何建模可能需要更精细的提示词工程
• AI对仿真收敛性的判断能力有待验证
• 需要本地安装完整的AEDT软件，对硬件配置有一定要求

此外，AI自主生成的仿真模型在投入实际工程使用前，仍需要有经验的工程师进行结果验证。AI可能在某些边界条件的设置上做出不够精确的假设（例如辐射边界与模型的距离、端口去嵌入设置等），这些细节对仿真精度有显著影响但在自然语言描述中难以完整表达。因此，当前阶段AI仿真自动化更适合作为快速原型验证和参数空间探索的工具，而非直接替代工程师的最终设计验证流程。

总结

通过AEDT MCP将AI Agent与Ansys HFSS直接打通，实现了从"AI辅助写脚本"到"AI直接执行仿真"的质变。这不仅是一个技术演示，更代表了CAE仿真领域AI化的一个重要方向——让AI成为工程师的"数字同事"，而不只是简单的"代码助手"。

这一方向的深层意义在于：它将AI的价值从"生成内容"延伸到"执行专业任务"。当AI能够通过MCP协议操控专业仿真软件时，工程师的工作重心可以从繁琐的操作执行转移到更高层次的设计决策、结果解读和创新探索。这与软件工程领域AI辅助编程的演进轨迹高度相似——从代码补全（GitHub Copilot）到自主编程代理（Devin、Codex），AI正在逐步承担越来越完整的工程任务。对于电磁仿真领域，这一趋势意味着工程师需要培养新的核心竞争力：不再是熟练操作仿真软件的"软件专家"，而是能够准确定义仿真需求、批判性评估AI输出结果、并将仿真洞察转化为设计决策的"领域专家"。

对这个项目感兴趣的读者，可以前往作者的GitHub主页查看AEDT MCP的完整源码和文档，也可以在其Obsidian仓库中获取完整的仿真提示词模板。

核心要点

核心要点