一 背景与动机CAE 软件历来以「菜单繁多、操作门槛高」著称。一个工程师往往需要在数十个对话框之间穿梭才能完成一次完整的仿真流程。能不能让工程师直接用自然语言说出意图由 AI 去驱动软件完成操作FITKAIAssistant 就是这样一个尝试——它是基于 LangChain 构建的智能助手组件以动态库形式嵌入 FastCAE 生态让 AI 成为软件的「第二双手」。核心设计理念不是在 CAE 软件外挂一个聊天窗口而是让 AI真正接管软件操作——通过 MCP 协议调用宿主暴露的 Python API形成「问题 → 推理 → 执行 → 反馈」的完整闭环。二 与 FastCAE 底座深度绑定FITKAIAssistant 并非一个独立的应用它是 FastCAE 组件体系的一员。任何基于 FastCAE 底座开发的程序只需三步即可接入 AI 助手1. 链接组件库— 将 FITKAIAssistant动态库 纳入 CMake 构建依赖 FITKCore / FITKAppFramework / FITKPython 即可。2. 注册组件接口— 通过 ComponentFactory 注册 FITKAIAssistantInterface组件名固定为 FITKAIAssistant框架自动发现并管理生命周期。3. 挂载 UI 面板— 调用 getWidget() 获取对话窗口以Widget 方式嵌入不影响主工作区布局。接入约定底座统一管理组件的注册、查找与销毁上层应用无需关心 Python 进程的启动细节只需声明依赖、注册接口即可获得完整 AI 能力。三 架构解析MCP 驱动宿主的完整闭环FITKAIAssistant 的核心创新在于通过 MCPModel Context Protocol 将 AI 的推理能力与软件的执行能力打通。下图展示了五层架构的完整调用链路整个调用链路如下1. 用户输入问题— UI 层通过 ASK\tquery 协议传入桥接层。2. 桥接层— 启动 Python 子进程经 stdio 管道将问题交给 LangChain Orchestrator。3. Agent/MCP 层— 调用 MCP Server 工具获得需要执行的宿主 Python 命令字符串。4. 宿主执行层— 通过 FITKPythonInterface 在宿主进程内原生执行命令直接调用 FastCAE Python API。5. 执行结果— 以 HOSTPY_RESULT 回传给 Agent驱动下一轮推理直到任务完成。为什么用 MCP 而不是直接调用 APIMCP 工具是对宿主 Python API 的语义化封装——每个工具有清晰的名称、描述和参数 SchemaLLM 可以自主选择调用哪个工具、传什么参数而无需知道底层实现。这使得「新增一种操作」只需添加一个 MCP 工具无需修改编排逻辑。四 灵活的 LLM 切换机制FITKAIAssistant 内置 LLMClient统一封装了两大主流协议通过 .env 配置文件一键切换无需修改任何代码。OpenAI 协议兼容 DeepSeek、Qwen、本地 Ollama 等 |Anthropic 协议Claude 系列配置项说明示例值LLM_PROTOCOL协议类型openai / anthropicLLM_API_KEY访问密钥sk-xxxxLLM_MODEL模型名称deepseek-v4-pro/ claude-3-5-sonnetLLM_BASE_URL服务地址支持私有网关https://api.deepseek.com/v1协议自适应LlmChatClient 在内部自动完成协议转换OpenAI 消息格式 ↔ Anthropic messages 格式、工具 Schema 转换、流式响应统一包装上层编排逻辑无感知协议差异。#.env 中只需修改这一行即可切换模型/厂商 LLM_PROTOCOLopenai # 可切换为 anthropic LLM_MODELdeepseek-v4-pro LLM_BASE_URLhttps://api.deepseek.com/v1 LLM_API_KEYsk-your-key-here五 高度可扩展自定义 Skill · Agent · MCPFITKAIAssistant 设计了三级扩展体系开发者无需修改框架源码只需在 .FastCAEAI/ 目录下增加文件即可扩展能力。.FastCAEAI/ ├── MCP/ # MCP 工具服务器 │ ├── radioss_tools.py # Radioss 求解器操作工具 │ ├── radioss_geometry.py # 几何建模工具 │ ├── radioss_mesh.py # 网格生成工具 │ └── submitPython.py # 通用宿主 Python 执行工具 ├── agents/ # 自定义 Agent 配置 │ └── default.md # 默认 Agent 人设与能力描述 └── skills/ # 预置 Skill结构化工作流 ├── SKILL.md ├── radioss_material/ # 材料属性设置 ├── radioss_meshGenerate/ # 网格生成流程 ├── radioss_solver/ # 求解器配置与提交 └── radioss_rigidWall/ # 刚性墙设置Skill封装结构化操作流程每个 Skill 是一段 Markdown 描述的工作流定义了「完成这个任务需要调用哪些 MCP 工具、按什么顺序执行」。Agent 在推理时优先匹配已有 Skill实现专家知识的沉淀与复用。Agent自定义智能体人设通过 agents/ 目录下的 Markdown 文件定义 Agent 的专业领域、回答风格与限制范围可以为不同应用Radioss 结构分析、声学仿真、电磁分析配置专属助手。MCP扩展宿主操控能力新增一个 Python 文件到 MCP/ 目录并暴露工具函数框架启动时自动发现并注册。工具函数接收字符串参数返回供 Agent 评估的宿主 Python 命令或直接结果。当前内置工具清单Radioss 方向• 几何操作创建几何体、导入模型• 网格生成自动/手动划分网格、质量检查• 材料与属性材料库查询、属性赋值• 载荷与边界重力、初速度、刚性墙设置• 求解器提交计算、参数配置• 结果查看输出请求、云图显示演示视频本次实现 FastCAE AI Assistant 与 FastCAE-OpenRadioss 深度融合通过定制化配置 MCP 和 Skills打通仿真全流程自动化能力覆盖从几何模型搭建、网格剖分、物理工况定义、求解运算到后处理分析全环节。依托 DeepSeek-V4-pro 模型开展实测前处理环节 7 分钟即可自主完成整个流程仅需人工进行集合创建、仿真校验、结果查看三次介入。本次仿真总计消耗 Token 约 10 万费用仅 0.2 元。六 总结FITKAIAssistant 是一次将 AI 能力与工业 CAE 软件深度融合的实践。它不是「套壳 ChatGPT」而是一个真正理解 FastCAE 生态、能够自主推理并驱动软件操作的智能体组件。底座深度集成基于 FITKAppFramework 组件化接入三步完成 AI 能力嵌入零侵入宿主业务代码MCP 驱动闭环AI 推理结果通过 MCP → HOSTPY 协议直接执行宿主 Python API形成多轮决策闭环协议自由切换统一封装 OpenAI / Anthropic 双协议.env 配置一行切换支持私有网关部署三级扩展体系Skill · Agent · MCP 三层可独立扩展新增领域能力无需修改框架社区共建友好
