MATLAB 的 AI智能体,不用自己搭建Simulink模型了~

正文

大家好，我是bug菌~

最近在用matlab进行一些仿真，发现matlab也出了AI智能体了，不知道我是不是消息有点滞后了，于使用Claude Code + MATLAB MCP来快速搭建Simulink模型，真的挺快的，这里顺手就分享一下~

简介：生成式人工智能改变了我们与计算机的交互方式，但想要比聊天更进一步，构建能够自主推理、采取行动和执行 MATLAB® 代码的人工智能系统，则需要一种全新的方法。如今，要求大型语言模型解决工程问题，往往意味着反复复制代码、手动修正错误，并寄希望于 AI 了解您的专业领域。智能体 AI 改变了这一点。

本指南将向您展示如何构建不仅提出解决方案，而且能够执行解决方案的 AI 系统。通过将 LLM 使用模型上下文协议 (MCP) 连接到 MATLAB，您可以创建能够编写代码、运行仿真、分析结果并反复迭代直至完成任务的智能体。

三个框展示了从生成式 AI （手动复制粘贴）到生成式 AI + 工具（AI 编写，您调试）再到智能体 AI （AI 编写、运行并修复代码）的发展过程。

从传统基于聊天的 AI 向完全自主智能体 AI 的演变。

从聊天到行动：为何选择智能体 AI？

如果您使用过 ChatGPT 或 Claude 来协助编写 MATLAB 代码，您一定很熟悉这个流程：提出问题，获得代码，将其粘贴到 MATLAB 中，遇到错误，返回聊天界面，解释错误，获取新代码，如此往复。它能正常工作，但速度缓慢且令人沮丧。

智能体 AI 闭合了这一循环。不再是由您手动操作的文本生成器，AI 智能体能够：

编写代码并直接执行。
查找错误并将其自动修正。
访问您的工作区和数据
反复执行直到任务完成
提供经过验证的有效结果

与此形成对比的是生成式 AI，其特点为：

根据请求生成代码片段
需要您手动复制、粘贴并运行代码。
依赖您来解释错误并提出后续问题。
无法访问您的文件或数据
无法验证代码是否实际有效

将聊天机器人变为伙伴的四项能力

生成式 AI 就像拥有一位撰写报告的顾问。具备智能体能力的 AI 就像有一位能够完成工作的伙伴。这类 AI 不仅告诉您如何解决问题，它还会解决问题，展示结果，并询问您是否需要更改。

智能体系统功能

一个智能体系统应具备四项关键能力。正是这四项能力使其从聊天机器人变为了自主求解器。

能力	含义	MATLAB 示例
推理	将复杂问题分解为若干步骤	“为了优化该控制器，我将首先分析被控对象，然后设计一个 PID 控制器，最后进行调试。”
规划	达成目标的序列行动	“步骤 1：加载数据。步骤 2：训练模型。步骤 3：验证。步骤 4：导出。”
工具使用	调用外部函数和 API	调用 trainnet、sim 或自定义 MATLAB 函数
自适应	从反馈和错误中学习	“出现了错误。让我检查一下尺寸，然后再试一次。”

为何将 MATLAB 与智能体 AI 结合使用？

MATLAB 可为工程和科学领域的智能体 AI 提供独特的价值，因为它具备：

可靠计算：大型语言模型会产生数学幻觉，而 MATLAB 能正确计算。
领域专业知识：提供了超过 100 个用于信号处理、控制、深度学习等的工具箱。
仿真能力：连接到 Simulink® 进行系统级测试和验证。
专业工具：内置代码分析、可视化和部署功能。

理解模型上下文协议

LLM 想使用 MATLAB 就必须具备发现可用工具、以正确参数调用这些工具并接收结果的能力。这正是模型上下文协议所提供的：一个使 AI 与工具交互成为可能的通用框架。我们可将 MCP 想做 AI 的 USB-C 端口：正如 USB-C 允许任何设备连接任何外设，MCP 也让任何 AI 模型能够连接任何工具，包括 MATLAB。

三步流程图：AI 智能体（Claude、Copilot 等）连接到 MCP 服务器（协议桥），该服务器连接到 MATLAB（执行代码）。

MCP 架构：AI 智能体如何连接到 MATLAB。

MCP 服务器负责在 AI 请求与 MATLAB 执行之间进行转译。智能体决定做什么；MATLAB 负责计算。

使用 MCP 调用 MATLAB 的两种方法

方法	用例	您需要
将 MATLAB 用作工具 (MCP Core Server)	允许外部 AI 应用（Claude Desktop、GitHub Copilot、VS Code）执行 MATLAB 代码	MATLAB + MCP Core Server + 自选 AI 客户端
将 MATLAB 用作主机（MCP 客户端）	在 MATLAB 中构建调用外部工具和 API 的智能体	MATLAB + MCP 客户端插件 + 使用 MATLAB 调用 LLMs

让智能体使用 MATLAB (MCP Core Server)

MATLAB MCP Core Server 让所有兼容 MCP 的 AI 应用均可使用 MATLAB。安装完成后，诸如 Claude Desktop、GitHub Copilot 或 Gemini CLI 等 AI 助手可以在您的控制下替您编写并执行 MATLAB 代码。

在幕后，MCP Core Server 提供了五项基础能力，使智能体能够自主地与 MATLAB 协作。您无需直接调用这些功能；智能体会根据您的指令自动使用它们：

当您让 AI...	MCP Core Server 会负责...
“编写一个函数以过滤此信号。”	代码生成 — 创建并保存 .m 文件到您的工作区
“运行此脚本并向我展示结果。”	代码执行 — 运行 MATLAB 代码并捕获输出、图表和错误
“请检查我的代码是否存在问题。”	代码分析 — 使用 MATLAB 内置的代码检查工具评估代码样式和正确性
“请修正该错误后重试。”	迭代改进 - AI 识别错误，修改代码并重新运行
（自动）	会话管理 — 透明地启动并维护 MATLAB 连接

智能体工作流的实际应用

典型的互动如下所示：您请求：“为此噪声信号创建一个巴特沃斯滤波器。”AI 编写代码，在 MATLAB 中运行，检查是否存在错误或意外结果，优化方法，并提供带图的可运行代码，整个过程无需您进行任何复制或粘贴操作。

安装

从 GitHub 获取 MATLAB MCP Core Server：

# 克隆仓库git clone https://github.com/matlab/matlab-mcp-core-server# 遵循您的 AI 客户端的设置说明# （Claude 桌面版、带 Copilot 的 VS Code、Gemini 命令行工具等）

配置示例（Claude 桌面版）

将以下内容添加到您的 claude_desktop_config.json 中：

{ "mcpServers": { "matlab": { "command": "/path/to/matlab-mcp-server", "args": []  }  } }

了解您托付给 AI 的内容

具备智能体功能的 AI 工具能够在您的计算机上编写和执行代码，并访问您的文件。此能力强大但需要信任。在批准重大操作之前，尤其是在产品级环境中，请审查 AI 所提出的建议。

在 MATLAB 中构建 AI 智能体（MCP 客户端）

如果您想构建一个在 MATLAB 内运行并能够调用外部工具和 API 的智能体，该怎么办？MATLAB MCP 客户端使这一切成为可能，从而将 MATLAB 转变为智能体 AI 开发的平台。

四个组件：您的 MATLAB 代码（智能体逻辑）、大型语言模型 API（OpenAI、Ollama 等）、MCP 客户端（工具发现）以及外部 MCP 服务器（任何工具或 API）基于 MATLAB 的智能体 AI 系统的四个构建模块。

MATLAB 作为 AI 智能体主机的关键能力

发现工具：查询 MCP 服务器以列出可用工具及其输入架构。
调用工具：使用 callTool 调用外部工具，就像调用本地 MATLAB 函数一样简便。
LLM 集成将工具架构转换为 openAIFunction 对象，以实现无缝的函数调用。

接下来，让我们来看一个在 MATLAB 中构建智能体工作流的示例：

% 连接到 MCP 服务器 client = mcpClient("path/to/mcp-server"); % 列出服务器可用工具 tools = listTools(client); disp(tools); % 将工具转换为适用于 LLM 的 OpenAI 函数格式 functions = openAIFunction(tools); % 创建一个启用函数调用的聊天 chat = openAIChat("你是个能干的助手。", ...  Tools=functions); % 发送用户查询 - LLM 决定是否需要使用工具 response = generate(chat, "第十个质数是多少？"); % 如果大型语言模型请求调用工具，请执行该操作 if isfield(response, 'tool_calls')  toolRequest = response.tool_calls;  result = callTool(client, toolRequest); % 将结果反馈给大型语言模型以获得最终响应  finalResponse = generate(chat, result); end

您可以连接到什么？

任何 MCP 服务器均可与 MATLAB MCP 客户端配合使用。这包括用于数据库、Web API、文件系统、其他 AI 服务以及您构建的自定义工具的服务器。此生态系统正在迅速发展。

在 MATLAB 中实现工具调用

工具调用是智能体 AI 的核心机制。LLM 不直接执行函数，而是输出一个结构化请求，描述应使用哪些参量调用哪个函数。您的代码随后执行该函数并将结果返回给 LLM。

四步工作流：用户查询，LLM 决定（请求 addNumbers(212,88)），MATLAB 执行（结果 = 300），语言模型回应（“和为300”）智能体 AI 系统如何处理从用户输入查询到最终响应的全过程。

LLM 推理计算内容。MATLAB 负责将其正确计算。当用户提交查询时，LLM 会解读其意图，并决定调用哪个工具以及使用哪些参数。然后，MATLAB 执行该函数并返回结果。LLM 生成自然语言形式的回答。用户无需自行编写或运行代码。

在 MATLAB 中定义工具

% 定义一个函数，供大型语言模型调用 functionresult = addTwoNumbers(x1, x2) result = x1 + x2; end% 为 LLM 创建工具定义 addTool = openAIFunction("addTwoNumbers", ... "将两个数字相加"); addTool = addParameter(addTool, "x1", "数字", ... "要相加数字中的第一个", Required=true); addTool = addParameter(addTool, "x2", "数字", ... "要相加数字中的第二个", Required=true);

构建一个简单的智能体

functionaiAgent(userQuery)% 初始化具有工具的聊天  chat = ollamaChat("mistral-nemo", Tools=addTool); % 获取大型语言模型响应  response = generate(chat, userQuery); % 检查大型语言模型是否想调用工具 if isfield(response, 'tool_calls') % 提取函数调用细节  funcName = response.tool_calls.function.name;  args = response.tool_calls.function.arguments;  fprintf("AI 请求: %s(%f, %f)\n", ...  funcName，args.x1，args.x2）； % 执行该函数  result = addTwoNumbers(args.x1, args.x2);  fprintf("结果：%f\n", result); else% 无需调用工具 - 直接显示响应 disp(response.content); endend

使用 MATLAB 附加功能，多个 LLM 提供商支持工具调用。这些提供商包括：

OpenAI：最新的 GPT 模型（通过 API）
Azure OpenAI：企业部署
Ollama：本地模型，如 Mistral、GPT-OSS、DeepSeek 和 Qwen

创建高效的 AI 智能体

从演示走向生产，需要采用能使智能体变得可靠、可观测且安全的模式。这些方法已在现实世界的智能体系统中经过实战检验。

模式 1：ReAct（推理 + 行动）

最常见的智能体模式是在思考与行动之间交替进行。LLM 推理下一步该做什么，采取行动，观察结果，并重复此过程。

% ReAct 循环模式 while ~taskComplete % 思考：LLM 推理下一步行动  thought = generate(chat, [context, "接下来我应该做什么？"]); % 行动：如有需要，执行工具。 if needsTool(thought)  result = executeTool(thought.tool_call);  context = [context; result]; end% 观察：根据结果更新状态  taskComplete = checkCompletion(context); end

模式 2：工具链

复杂任务需要按顺序调用多个工具。一个的输出成为下一个的输入。例如:

阶跃	行动	目的
1	生成代码	AI 根据您的需求编写 MATLAB 代码。
2	分析代码	检查错误、样式问题及潜在的 Bug。
3	执行代码	在 MATLAB 中运行并捕获输出。
4	评估结果	AI 审查输出；修正错误或确认成功。

模式 3：人员在环

对于功能安全关键型的应用，在智能体采取行动之前添加批准步骤：

% 人员在环模式 proposedAction = generate(chat, query); % 显示建议的行动以供批准 fprintf("建议：%s\n", proposedAction.description); approval = input("批准吗？（是/否）：", "s"); if strcmp(approval, "y")  result = executeAction(proposedAction); elsedisp("操作已取消。"); end

实用指南

有几条指南是确保智能体可靠性的关键：

从简单开始：在构建复杂调用链之前，先让单个工具能够正常运行。
增加可观测性：记录每一次 LLM 调用和工具执行情况，因为调试时会需要这些数据。
优雅地处理错误：LLM 会犯错；请构建带有指数退避机制的重试逻辑。
设定边界：限制迭代次数、词元预算以及智能体可以访问的工具。
进行对抗性测试：在智能体触达用户之前，故意测试边缘情况以尝试使其崩溃。

素材来源于:matlab官网，版权归原作者所有，仅供学习参考~