我让AI Agent帮我写MATLAB代码,结果它连CFD仿真都跑完了

周三下午，我对着屏幕发了一条消息：

"帮我用MATLAB算一下管道流阻，水在20mm高的平板间流动，平均流速0.1m/s。"

然后我起身去倒了杯咖啡。

回来的时候，屏幕上已经躺着一份完整的CFD仿真报告——代码写好了、求解器跑完了、速度云图画出来了、压降和流阻算好了、连参数扫描曲线都自动生成了。

咖啡还是烫的。

做过数值模拟的人应该都懂这个流程：

你有一个物理问题 → 推导控制方程 → 写离散代码 → 调试 → 跑不通 → 再调试 → 终于跑通了 → 提取数据 → 画图 → 发现结果不对 → 回去改代码 → 再跑 → 画图 → 写报告。

一个中等复杂度的MATLAB仿真，前后至少3个小时。如果中间参数要调整——比如把管道高度从20mm改成15mm——上述流程几乎要重来一遍。

这不是在搞科研，这是在当代码民工。

我把我那条消息发给AI Agent之后，它在后台做了这么几件事：

第一件事：把物理问题翻译成数学问题

它先确认了基本参数：

然后它决定用有限差分法求解二维Navier-Stokes方程，SOR超松弛迭代，100×40的网格。

这些决策它自己做的，我没参与。

第二件事：写代码

它直接生成了一个312行的MATLAB脚本。从参数设置到网格生成，从迭代求解到收敛判断，从结果提取到可视化——全部一次性写完。

%% 物理参数设置mu = 1.0e-3;            % 动力粘度 [Pa·s]rho = 1000;             % 密度 [kg/m³]L = 1.0;                % 管道长度 [m]H = 0.02;               % 管道高度 [m]U_mean = 0.1;           % 平均流速 [m/s]%% 迭代求解（SOR超松弛）foriter = 1:max_iter% 求解x-动量方程% 更新速度场% 施加边界条件ifresidual<tol, break; endend%% 结果分析deltaP = -12*mu*Q/H^3*L;     % 压降R = deltaP/Q;                       % 流阻

第三件事：跑仿真，还自己做了验证

脚本跑完之后，它把结果和理论解做了对比：

压降误差0.06%。这个精度，说实话我自己手写都不一定能达到。

第四件事：画了6张图

速度云图、出口速度剖面对比、中心线速度发展、收敛历史曲线、不同位置速度剖面、f-Re关系图——6张专业图表，一次性生成。

第五件事：做了参数扫描

它还自动把管道高度从5mm扫到50mm，分析了流阻的变化规律，画了双坐标图。

整个过程，从我说完那句话到拿到所有结果，不到3分钟。

我算了一笔账：

效率提升两个数量级。

但我觉得最重要的不是快，而是工作方式的改变。

以前做数值模拟，80%的时间花在写代码和调试上，只有20%的时间在思考物理问题本身。现在这个比例可以倒过来。

工程师和科研人员终于可以把精力从"这个循环怎么又没收敛"中解放出来，去思考真正有价值的问题——这个模型合理吗？这个结果意味着什么？下一步该怎么优化？

有人可能会担心：AI都能写代码跑仿真了，那仿真工程师是不是要失业了？

我的看法恰恰相反。

AI Agent不是来取代仿真工程师的，它是来消灭那些重复劳动的。就像Excel没有取代会计，而是让会计从打算盘变成了做分析。

数值模拟的核心价值从来不是写代码，而是理解物理、设计模型、解读结果。AI Agent把前两步的脏活累活接过去了，让工程师能专注于最后一步——也是最值钱的一步。

我后来又试了几次，换了不同的物理问题——它都能搞定。

它不会累，不会抱怨，不会因为连续加班而写bug。

它就像一个7×24小时在线的数值模拟助手，你说出物理问题的那一刻，它已经开始干活了。

而你要做的，就是去倒杯咖啡。