夜雨聆风仿真工程师未来将从学习仿真软件使用，转向把问题在软件里定义清楚，并通过Skills构建复用工作流和沉淀经验。
雪浪云
随着OpenClaw的爆火，各行各业的从业者纷纷探索OpenClaw如何与自身工作的结合，仿真CAE领域亦不例外。针对CAE与OpenClaw有哪些结合和应用，AIE近期也与长期从事AI+仿真的雪浪云进行了深度交流，展望OpenClaw在CAE领域的应用前景，并给感兴趣的企业和工程师一些实践建议。
OpenClaw重要但也不重要
从国内来讲，就像当初DeepSeek快速帮大众建立了对大模型了解，推动了大模型的普及一样，OpenClaw也快速帮助大众将对大模型的理解从对话建议升级成了可以执行任务，推动了新一代智能体的普及，所以OpenClaw很重要。
相比于之前的大模型和智能体，OpenClaw在能力上有了显著提升，不仅通过记忆机制改善了上下文限制问题，还通过Skills机制使智能体具备更强的执行能力，还可以随时通过IM软件通知工程师，对于加速重复性工作的自动化有着重要的潜力，是未来AI智能体或者软件发展的方向。
然而，对于企业级应用，OpenClaw也不重要。它还只是个C端的应用，在B端应用面临诸多的安全风险及知识泄露风险，也不是使用Skills实现自动化的唯一选择，因此对B端用户而言，当前它也不重要。
真正重要的，是OpenClaw带来的很多技术理念，未来基于这些理念，会出现的更加完善的类似OpenClaw的企业版产品，届时才能在企业侧真正的应用起来。例如近期阿里就发布了企业级AI原生工作平台，百度也很快的发布了秒哒、伐谋、小度、客悦营销、一见等企业级Skills，后续肯定还有越来越多的企业级应用发布相关Skills。
虽然企业侧的应用还需要时间，但不妨碍企业和仿真工程师先去了解支撑OpenClaw能力的核心机制：Skills。
基于Skills的自动工作流，显著缩短仿真迭代周期
对于OpenClaw这样的新一代智能体系统而言，SKills就是赋予其具体某项能力的功能模块，但不同于传统软件的功能模块需要专业程序员编写，SKills可以通过自然语言进行描述和创建，将开发软件功能的门槛真正拉低到了各类业务人员可用。
通过自然语言创建SKills，仿真工程师可以将日常工作中很多重复性高、技术含量低但又耗时的工作，以及个人的一些经验积累，企业的设计规范等，创建为可复用的AI程序自动运行，从而节约大量时间，缩短企业的设计仿真迭代周期。典型场景例如：
设计变更导致反复在不同软件间导入导出
为大量相似零件或工况，重复设置约束、载荷和接触关系
为相似结构（如法兰、支架）在不同项目中需重复划分网格
在本地或集群上手动提交大量仿真任务，并逐个检查是否完成
提取仿真数据，手动填入Word/PPT模板，生成大量“八股文”式报告
资深工程师的经验未沉淀为标准流程、模板或脚本，导致新人需从零摸索
......
通过SKills沉淀的仿真经验和技巧，设计规范，或者面向特定领域的仿真工作流，不仅可以作为工程师自身的重要资产，也可能伴随着Skills生态的建设，像应用商店里的APP一样，具备潜在的商业价值。
当然，由于大模型天然的不准确性，要做到效果比较理想和高度可控可靠的Skills，还是需要对Skills和CAE软件接口等有一定的理解和经验积累，这正是当前可以开始积累的，未来可以复用的地方。
服务商未来会提供很多的Skills
为方便用户使用软件，就像之前会提供API一样，未来CAE软件商肯定也会提供用于对接自身软件的Skills（原厂不提供肯定也会有第三方提供），方便工程师快速构建基于CAE的自动化工作流。比如雪浪云就已经很早就开始围绕自己的云原生多学科仿真软件XLMetaD-MDO构建相关的Skills。
雪浪云成立于2018年，一直在利用AI解决制造业工程难题，创新研发“工业数据+工业机理”驱动的智能制造数字底座系统“雪浪OS”，面向智能制造提供“雪浪工匠”工业大模型，在航空航天、工程机械、汽车、船舶、能源电力等行业的“设计-制造-运维”一体化方向提供雪浪工业AI软件与工业智能体服务，并配套雪浪Mind系列工业智算系统，已服务航空工业、中国航发、中国商飞、铁建重工、中铁、柳工、徐工、潍柴等头部央国企及上市公司。
在CAE方面雪浪云提供云原生的XLMetaD-MDO多学科设计优化（MDO）软件，对接了40多款CAE软件，相比于HEEDS等传统架构MDO软件，具备云端部署协同高效、最佳研发实践固化、组件工具扩展灵活、建模分析算法丰富等特点，在航空航天、工程机械、能源装备、高校院所等领域沉淀超过20+典型应用案例。
雪浪云基于XLMetaD-MDO已经积累了一些Skills，目前针对单个CAE软件，通过Skills已可以完成单个软件内的一些流程自动化工作，也完成了多个仿真软件联合仿真的skills的一些场景验证。伴随着XLMetaD-MDO一起部署，就可以无须用户自己开发，完成一些自动化工作。
Skills并不是自动化的唯一选择
尽管未来Skills可能在构建自动化工作流方面占据主导，但并不会是唯一选择。
就像当前很多仿真工程师可能也会通过软件的宏录制的功能，将一些重复性操作固定为自动化流程，或者编写一些脚本进行不同软件间的串流。Skills能完成同样的类似工作，但其中很多非常简单的工作，用过去的方式更为高效，毕竟Skills的token消耗还有待优化，更适合流程中有一些柔性判断等相对复杂的工作流场景。
25年11月Skills机制被提出来之前，一些工业企业主要通过拖拽编排工作流Workflow的方式，在经营、生产管理、研发等领域，构建一些自动化工作流的智能体。如雪浪云基于XLMetaD-MDO的可视化组件编排能力，之前曾帮助潍柴动力企业，构建过柴油发动机关键部件仿真流程自动化、燃气轮机压气机流体仿真模型参数标定等智能体，帮助企业缩短了仿真研发周期。
这种Workflow的方式更多由IT人员开发，更适合一些流程相对更为固定的共性需求场景，未来会是从场景上与Skills架构的自动化智能体形成互补。
多种方式构建自动化工作流的基础上，企业版OpenClaw则可能会扮演总管的角色，管理各种不同的自动化工作流，并通过IM软件与仿真工程师实时沟通。
Skills不等于一句话完成仿真
尽管Skills及其他一些方式，能加速很多仿真的工作，但其功能更多也还是在整个仿真流程中的部分环节上加速工作的自动化，一句话做完仿真短期仍不现实。
企业版OpenClaw即便应用，也仍然是工程师的工具，相关流程也都需要设置为“人在环路”模式，智能体创建工作流下发执行前，交由人进行审核确认。
即便AI能完成具体的工作，仿真如何描述和定义仍然是工程师的核心工作，仿真过程中很多专业化知识和判断也都仍依赖专业的人。
实用建议：留意需求场景，适当探索尝试
对于企业而言，当前在企业级部署OpenClaw可能不是一个合理的方式，但是对仿真工程师个人而言，通过个人PC、云端部署等方式，加深对OpenClaw和Skills的了解，值得一试。
当然，除了OpenClaw，Cursor、Workbuddy、Obisidian、扣子等很多其它软件也都支持创建和运行Skills。
鉴于目前鲜有推出对接CAE软件的Skills，对于有代码和仿真软件接口开发基础的仿真工程师，可以去尝试探索构建相关Skills。
而对于更多不了解相关代码和接口开发的仿真工程师，则可以重点留意和梳理自身的潜在需求场景，并借机梳理自身工作流程，记录经验，等对接CAE软件的Skills出来再做进一步深入尝试。
延伸阅读：
