ARTICLE · 1103170
AI 智能体驱动 NUMECA 工业仿真软件的落地实践
本文介绍面向 NUMECA 的 AI 智能体：工程师通过自然语言或文档描述仿真需求，智能体即可自动执行网格划分、边界条件设置、启动计算等操作，并实时反馈任务进展。本文将分享该智能体的技术实现思路，复盘研发过程中遇到的问题与实践经验。
Part 01
核心主体及目标
本项目涉及两个核心主体：
NUMECA FINE/Turbo：叶轮机械（风扇、压气机、泵、涡轮等）流体仿真领域的主流商业软件。工程师的常规工作流程为：导入叶片几何 → 划分网格 → 设置进出口压力、温度、转速等边界条件 → 启动求解器计算 → 查看云图和性能数据。该流程目前主要依赖工程师在图形界面（GUI）中逐项点选菜单完成。
大语言模型（LLM）：即 ChatGPT、DeepSeek 等人工智能模型。当前主流大模型均已具备"调用工具"的能力，在给定目标后，模型能够自主决策调用何种工具及调用顺序。
目标：由 AI 智能体替代工程师完成 NUMECA 的软件操作。
该目标的实现具有多方面的价值：
- 对仿真工程师：
从重复的点选菜单劳动中解放出来，以自然语言直接驱动软件完成操作； - 对开发人员：
这是一套可以复用的"AI 驱动工业软件"的技术方案； - 对管理者：
建模周期由数小时缩短至一次对话，且操作全程留痕、可回溯，经验知识得以沉淀、可传承，不再局限于个别资深员工的个人经验。
Part 02
前期技术验证/三大核心痛点与可行性筛查
大多数人认为"由 AI 操作软件"并不困难，只要软件提供脚本接口，编写程序将二者连接即可。我们初期亦持此观点，但在技术验证阶段遇到了三项痛点。
痛点一：NUMECA 不具备支持"持续会话"的脚本接口。
理想的交互模式是：NUMECA 如同一位常驻在线的员工，随时响应指令，完成一项任务后继续等待下一项。但实测表明，其脚本模式为"一次性"执行——软件启动、执行脚本文件、退出，整个流程即结束。软件本身并未设计支持"持续对话"的功能。
痛点二：软件图形界面（GUI）拒绝一切外部指令注入。
我们进一步尝试向已打开的软件窗口注入命令，先后实验了四种注入方式，均无效——GUI 启动后仅响应鼠标键盘输入，不接收任何外部脚本指令。但该验证亦带来一项重要收获：确认了 GUI 与后台进程可同时打开同一项目文件且互不干扰。所以，GUI 的定位被调整为"观测窗口"（用于查看云图与网格），实际执行全部经由后台完成。
痛点三：缺乏官方 API 文档。
NUMECA的本地安装目录中未提供独立的接口说明文档。所有接口的使用方法均需通过研读其自带的源代码文件与官方示例脚本，并逐项实测验证所得。这导致后续每个工具的封装都需逐一试错核验。这亦构成了事实上的经验门槛——后来者均需自行摸索方能获得。
基于上述三项验证，可行路径趋于清晰：自行搭建一座连接 AI 与软件的"桥梁"。
Part 03
核心技术方案/构建软件常驻式持续交互通道
本方案逻辑简洁且完全基于软件原生能力。NUMECA支持批处理脚本运行，我们基于该特性开发常驻后台脚本，让脚本持续运行不退出，通过死循环监听外部管道指令，持续接收任务、逐条执行并返回结果。
该方案带来一项关键改变：软件仅需启动一次，即可持续运行。例如，第一条指令建立项目，第二条指令修改边界条件，第三条指令启动计算——三次操作均在同一存活的会话内完成，状态不丢失、无需重启、亦无需反复占用软件授权（license）。
该方案的另一优势在于非侵入性：全程未涉及任何逆向工程，仅将官方支持的运行方式转化为长期驻留形态。即使软件后续版本升级，该路径大概率仍然可行。
Part 04
中间层架构/MCP Server防护与适配体系
仅有上述"桥梁"仍不充分。大语言模型的输出具有固有的随机性——可能传错参数类型、可能陷入循环重试、可能误调用耗时半小时以上的计算工具。为此，我们在中间层构建了MCP Server，它对外提供 112 个工具，覆盖"建项目 → 网格 → 边界条件 → 计算 → 后处理"完整流程。
该中间层不仅是简单的接口封装，更是AI与工业软件之间的翻译层与防护层，核心包含六大关键设计：
1
自动纠错
大模型传参常出现"接近但不精确"的情况，例如将数值以字符串形式输出。软件底层对数据类型要求极为严格，收到字符串即直接报错。中间层因此加入了自动纠正机制，将数字字符串自动转换为真正的数值类型，以此兜底适配模型输出误差，避免无效重试。
2
崩溃自愈
针对授权抖动、进程闪退等异常问题，系统全程记录关键操作日志。进程异常退出后可自动重启、恢复项目文件、重放历史操作步骤，实现任务状态无损恢复，用户全程无感知。
3
错误分类
工具执行失败后，系统不再返回原始报错日志，而是精准归类为授权异常、参数错误、文件缺失、软件崩溃等标准化问题。AI可依据分类结果精准处理，避免盲目重试。
4
保存结果校验
部分软件保存接口无返回值，无报错不代表执行成功。我们增加后置校验逻辑，每次保存操作完成后，主动校验磁盘文件是否真实生成，杜绝隐性失败。
5
版本自适应
针对NUMECA 13.2、15.1等不同版本的路径与接口差异，将所有版本差异收敛至统一配置项，仅需修改环境变量即可完成版本切换，无需改动代码，适配多版本现场环境。
6
网格生成的专项攻坚
网格划分是仿真自动化的核心难点，官方批处理的标准调用方式较为隐蔽。我们通过多次试错摸索出可靠调用入口，并将实操经验与约束条件全部固化进工具说明，保障AI调用网格工具稳定可靠。
Part 05
AI智能体优化/构建安全可靠的交互体系
中间层解决的是"能否驱动软件"的问题，AI 侧解决的则是"是否敢于交由它执行"的问题，从而保障作业过程可控、安全、稳定。
1
模型可灵活替换
采用通用接口，修改三行配置即可在 DeepSeek、智谱、OpenAI 或本地部署的开源模型之间切换，涉密场景可完全本地化部署，保障数据安全。
2
对话记忆持久化
每次对话自动存档，程序关闭后次日打开仍可继续；对话过长时自动生成摘要以压缩上下文，既不超出模型上下文限制，也不丢失关键信息。
3
多层级安全设防（核心）
引入人在回路（Human-in-the-Loop）机制，构建三重安全防护：
硬拦截（不可绕过）
对文件删除、格式化磁盘等高风险指令在底层实施强制拦截，不依赖AI判断，从根源杜绝风险；
人工审批（可选开关）
求解器启动、转速修改等高影响操作，可开启人工确认开关，核验通过后再执行；
软性引导
将单位换算、操作顺序、易错参数等经验全部固化进系统提示词，引导AI规范作业。
4
双形态使用模式
支持终端对话交互、ACP协议前端（如Zed）接入两种使用形态。
以官方入门案例 Tut1为例，对比两条复现路径：
【ACP客户端复现Tut1案例】
【NUMECA Agent CLI 复现Tut1案例】
Part 06
项目复盘/工业软件AI改造落地经验
针对传统、封闭型工业软件的AI智能化改造，我们在项目实战中总结出六条经验：
先明确"什么不可行"
前期验证“不可行方案”的时间成本必不可少，可有效避免后期大规模研发投入浪费。
对遗留接口不可轻信
无返回值、无报错不代表执行成功，必须通过源码比对、文件校验、状态核验多重兜底。
错误信息应"翻译"后再提供给 AI
对报错信息标准化分类，让AI可精准定位、定向修复，稳定性远优于冗长通用提示词。
假设进程必然终止，预先设计恢复机制
提前设计日志留存、任务重放、自动重启的自愈体系，让故障对用户透明。
安全必须采用分层架构
硬拦截 + 人工审批 + 提示词引导，任何单一层次都不足以支撑工业落地，必须多重防护兜底。
AI 应用的竞争壁垒往往在模型之外
大模型、协议、框架均为通用技术，真正的壁垒是对工业软件底层特性、实操痛点、行业规范的深度适配与经验沉淀。
目前该AI智能体已可通过自然语言，实现从网格划分、配置工质、设置边界条件、求解计算以及后处理的完整仿真流程。此外，基于该智能体，我们还探索了智能体在服务端、执行在本地的“脑手分离”式架构，以满足多样化的部署形式。
FastCAE 作为国产开源 CAE 软件，承接了 AI 智能体驱动工业软件的技术路径，在 AI 辅助开发、AI 应用智能助手、AI 多软件集成等方面形成全链路能力，覆盖软件开发、单软件应用、多软件联合仿真的完整流程。目前其 AI 版已将相关代码托管至开放原子开源基金会，欢迎广大仿真从业者与开发者下载体验，共同推进工业软件的智能化发展。
了解更多
*FastCAE亮相中国工程热物理学会人工智能应用专委会成立大会暨交叉学术论坛
*FastCAE AI版：仿真软件从开发到应用，全链路AI化
*AI赋能CAE软件开发与应用技术研讨会暨FastCAE用户交流会成功举办