Cadence MCP实战：AI读PDF自动生成原理图

用AI打通原理图设计的最后一公里

电子工程师最枯燥的工作之一，就是照着芯片手册或应用笔记里的参考电路，在EDA工具里一笔一笔地重画原理图。这项工作看似机械，却极其耗时，还容易出错。B站UP主分享的这个Cadence MCP项目，试图用AI Agent把这个过程自动化：让大模型直接读取PDF文档，然后操纵Cadence OrCAD自动完成原理图绘制。

整个演示的场景非常直观——屏幕右侧是从TI官网下载的一份放大器应用电路PDF，左侧是Cadence OrCAD的空白工作界面。目标是让AI从PDF里识别出完整电路，并在OrCAD里把它原样绘制出来，包括芯片引脚编号、器件布局和自动布线。

MCP（Model Context Protocol） 是由Anthropic提出并推动的一种开放协议，旨在为大型语言模型提供标准化的"工具调用"接口，让模型能够以统一方式连接外部系统、数据库或应用程序。简单来说，MCP扮演的角色类似于"AI与软件之间的USB接口"——只要目标软件实现了MCP服务端，AI就能通过协议调用该软件的功能，而无需为每个工具单独开发适配层。在本项目中，Cadence OrCAD被封装为MCP服务端，大模型通过协议调用OrCAD的原理图编辑API，从而实现放置器件、连接导线、移动布局等操作。这种架构的优势在于可复用性——同一套MCP框架理论上可以对接MATLAB、SPICE仿真器或其他EDA工具，而不必每次重写集成代码。

从PDF识别到自动布线的完整流程

据UP主的演示，这套系统通过MCP（Model Context Protocol）把大模型与Cadence连接起来，让AI具备直接操纵EDA工具的能力。工作流大致分几个阶段：先解析PDF中的电路结构，识别出所有器件和连接关系；然后在OrCAD空白页面上放置器件、编号引脚；接着进行自动布线。

值得关注的一个细节是布局智能调整。演示中，初始绘制时部分器件和布线与图档下方的说明文字发生了重叠，AI在思考后自动将整个电路做了整体移动，UP主形容"其实就一秒完成了这个操作"，之后布局便不再与说明文字冲突。这说明Agent不只是照搬连线，而是具备了一定的空间布局判断能力。

Cadence OrCAD 是业界广泛使用的原理图与PCB设计套件，其原理图编辑器（Capture）支持通过脚本或API接口进行程序化操作。原理图绘制在EDA流程中处于最上游：工程师在此阶段定义电路的逻辑连接关系，生成网表（Netlist），再传递给PCB布局布线工具。手动绘制参考电路之所以耗时，是因为工程师需要在手册中识别每个器件的型号与引脚功能，再逐一在工具中查找元件库、放置符号、连接网络标号，一张中等复杂度的应用电路往往需要数小时。AI Agent若能可靠地完成这一步骤，对于方案预研阶段的效率提升尤为显著。

多子代理协同的规则校验

绘制完成后，系统进入校验连接规则环节。这一步的设计颇有工程思维——AI并非单线程执行，而是通过四个子代理并行进行校验。校验依据是预先设定的规则，比如布线拐弯次数的限制、器件排布的紧凑度等。

这种"主Agent + 多子代理"的架构，把复杂的原理图质检任务拆解成可并行处理的子任务，既提高了效率，也让规则的约束更容易落地。UP主随机点击一个子代理展示了它的校验过程，说明每个子代理都在按照既定规则独立工作。

多子代理并行校验的设计思路来源于AI Agent领域的"分解-并行-聚合"范式。传统单线程Agent在处理复杂任务时容易因上下文过长而丢失早期信息，或因串行执行导致速度瓶颈。将质检任务拆分给多个专职子代理，每个子代理只负责一类规则（如布线拐弯数、器件间距、网络完整性等），不仅能并发提速，还能让每个子代理在较短的上下文窗口内保持高准确率。这种架构在软件工程领域被称为"多智能体系统"（Multi-Agent System），目前在代码审查、文档解析等任务中已有成熟实践，本项目将其引入硬件设计校验，是一次有价值的领域迁移尝试。

人机协作：反馈问题并迭代优化

第一版结果虽然完成了绘制，但仍存在明显不足。UP主坦率地指出了两个问题：一是存在较多重叠导致观感不好，例如TP等测试点标注的重叠；二是部分器件（如GND网络）的引线与下方图档产生了重合。

处理方式体现了典型的人机协作思路——UP主把问题以举例加提示的形式反馈给Agent，让它自己去确认和定位。随后新建了一个"配置2"，让AI在保留原有工作的基础上重新绘制优化后的版本。

由于配置1中的器件已经绘制完成，配置2的生成速度明显更快。优化后的版本主要调整了TP相关器件的位置（挪到最左边），并做了一些布局上的改进。UP主也直言这一版"其实也做的不够完善"。

技术价值与现存局限

这个项目的意义在于验证了一条可行路径：AI Agent确实可以从阅读PDF文档出发，自动完成EDA工具中的原理图绘制。这对于大量重复性的参考电路移植工作，有实打实的效率提升潜力。

但局限同样明显。当前版本在连线美观度、避免重叠等细节上还有不小差距，往往需要人工反馈才能迭代改进。UP主提到后续计划是给整个workflow添加更多规则（scale/rule），从而在布线优化上实现更自动化的处理，减少人工介入。

从更宏观的角度看，这类项目代表了AI在垂直工程领域落地的一个方向——不追求通用对话，而是把大模型的理解能力与专业工具的操作接口打通，形成能真正干活的Agent。原理图自动绘制只是起点，随着规则体系的完善和多子代理架构的成熟，AI辅助电路设计还有很大想象空间。