CarMaker AI Agent：仿真工程效率新范式

在仿真驱动开发的今天，工程师面临的核心矛盾往往不是“不会做”，而是“重复做”。IPG 数字化工程师张力在 B 站分享中，展示了 CarMaker AI Agent 如何将大模型能力嵌入仿真工作流，让工程师从繁琐的配置与对比中解放出来。

仿真效率的痛点从来不是单点问题

一项完整的测试任务，从目标到结果，影响效率的环节遍布全程。张力将其归纳为四个层面：使用门槛——工程师清楚测试目标，但目标对应哪些参数、如何设置，仍需在文档和界面中反复查找；准备时间——调整车辆载荷、路面附着系数等参数时，定位和修改本身消耗时间；重复操作——横向对比测试需要反复设置变量，人工切换条件容易出错且枯燥；结果分析——仿真结束后识别差异、整理比较数据，同样需要投入精力。

这些痛点并非孤立存在。当测试规模从单组扩展到多组耦合条件时，重复操作的累积效应会显著放大时间成本。CarMaker AI Agent 的切入点，正是将这些环节串联起来，用 Agent 承接“执行”，让工程师回归“判断”。

Agent 如何重构仿真工作流

加入 CarMaker AI Agent 后，工作流从“人操作软件”转变为“人定义目标，Agent 执行步骤”。用户提出测试需求，Agent 列出测试计划和清单供确认；确认后自动运行仿真；任务完成后智能对比结果并返回报告供审核。过程中用户可随时补充或调整条件，Agent 更新清单继续执行。

这种模式下，工程师的角色被重新定义为三个关键节点：把握验证目标、执行确认、结果审核。具体操作由 Agent 完成，但控制权始终在人手中。

交互界面与任务编排

CarMaker AI Agent 的 Beta 版本界面分为几个功能区：左侧菜单栏涵盖 Task（历史任务状态）、Result（仿真结果集中查看）、Projects（项目管理）、Skill 与 Tool（技能与 MCP 工具）、Documentation（文档与知识库集成）以及 Setting（模型与参数配置）。中间是主要对话与执行区域，下方为任务输入区，并提供工作模式、AI 模型推理强度和操作权限的快捷选项。右侧区域用于查看当前任务记录、结果与预览。

一个六组仿真的现场演示

张力以 SUV 操稳测试为例展示了 Agent 的实际运行。原始任务需要测试三档车速（40、60、80 km/h）、三档路面附着系数（0.7、0.85、1）与两种载荷（轻载 70KG、满载 280KG）的组合，共 18 组双移线仿真。演示中为节省时间简化为 6 组：加载 ISO 双移线基准工况，生成 5.2 米 SUV 车型替换默认车型，按路面附着系数 0.5、0.85、1.0 与两种载荷组合生成测试用例并运行。

在授予 Full Access 权限后，Agent 自动完成了工况加载、车型替换、测试用例生成与仿真执行。界面实时显示载荷切换与执行进度，对话框同步反馈当前运行状态。全部完成后，Agent 快速读取结果并生成报告，回答关于横摆角速度、侧倾等指标的对比问题。

双移线（Double Lane Change，ISO 3888-1）是车辆操稳性测试中的经典基准工况：车辆以恒定车速依次完成两次反向车道变换，用以评估横摆角速度、侧倾角、侧向加速度等指标，反映车辆在紧急避障场景下的操控稳定性与抗侧翻能力。测试中常以不同路面附着系数（如 0.5 模拟湿滑路面、1.0 模拟干燥沥青）和不同载荷状态作为变量，考察车辆在边界条件下的表现。将三档车速、三档附着系数与两种载荷进行全因子组合，即构成文章所述 18 组测试矩阵。这类多变量耦合测试正是人工操作耗时最长的场景，也是 Agent 自动化价值最突出的环节。

技术架构：MCP 是连接大脑与工具的关键

整个系统的架构从左至右分为三层：用户定义测试目标，CarMaker AI Agent 理解需求、编排计划并按权限策略调用工具，CarMaker 工具服务通过 MCP 将参数配置、仿真运行等能力暴露给 Agent。上方是工程知识库与项目上下文，为 Agent 提供背景知识参考。仿真结束后，结果报告回传供用户审核。

MCP 工具按仿真阶段分为四类：仿真前的工程信息读取与查询工具，帮助 Agent 了解当前工程有哪些测试用例和参数；准备阶段的车辆配置与测试用例修改工具；执行阶段的仿真启动、状态查询与输出记录工具；结果阶段的结果读取与指标计算工具。这些工具将 CarMaker 的仿真能力封装为 Agent 可调用的标准化接口，同时也能接入其他 Agent 平台——团队若已有自有的 Agent 平台，完成适配后即可复用整套 CarMaker MCP 工具。张力提到，易速的 AI 测试自动化平台也通过 CarMaker MCP 接入了仿真能力。

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 于 2024 年底提出的开放协议，旨在为大型语言模型与外部工具、数据源之间建立标准化的连接方式。在传统集成方案中，每接入一个新工具往往需要定制开发接口，而 MCP 将工具能力抽象为“资源”“工具”“提示”等标准原语，使 Agent 平台能够以统一方式发现和调用外部服务。其架构类似“AI 领域的 USB-C”：工具提供方只需实现一次 MCP 服务端，任何支持 MCP 的客户端（如 Claude Desktop、自研 Agent 平台）均可直接复用。在 CarMaker 场景中，这意味着仿真能力被封装为标准化 MCP 工具后，不仅服务于 CarMaker AI Agent，也能被其他兼容 MCP 的 Agent 平台快速接入，显著降低生态扩展与跨平台集成的成本。

工程师的价值回归

CarMaker AI Agent 的目标并非替代工程师，而是将精力重新分配到更高价值的环节。当参数查找、重复配置、数据整理由 Agent 承接后，工程师可以更专注地制定测试目标、判断结果合理性、做出工程决策。这种“人把关、Agent 执行”的协作模式，或许是仿真工程在 AI 时代最务实的演进路径。