如果你跟我一样日常工作里经常要和 Lumerical 打交道那你一定对下面这个循环不陌生改参数、跑仿真、看结果、不满意再改参数。做光子学仿真的人很多时间其实不是花在物理建模上而是花在反复调整波导宽度、材料折射率、网格精度这些琐碎环节上一个参数扫描跑下来一下午就没了。所以我一直想找一个办法让这些重复劳动能自动完成。前段时间我把 Cline DeepSeek MCP 这套组合搭起来做了一个能帮我跑 Lumerical 仿真的 AI Agent。效果超出预期它可以从一个简单需求出发自己生成仿真脚本、调用 Lumerical 跑计算、读取结果文件、判断是否满足指标再决定要不要调整参数重跑一轮。这篇文章就是这个过程的完整记录包含环境配置、MCP Server 编写、Agent 工作流设计以及我踩过的各种坑。这套方案适合有 Lumerical 基础、同时又想尝试 AI Agent 工程化的朋友。你不一定是 AI 专家但只要你愿意花一个下午把环境配好后面省下来的是成倍的时间。1. 项目概述仿真人的日常痛点与 AI Agent 的能力边界1.1 最耗时的不是跑仿真而是改参数这个循环做光子器件设计的人体会最深Lumerical 本身跑一个 FDTD 或 FDE 案例快的几分钟慢的可能半小时。真正让人崩溃的不是单次仿真时间长而是你需要反复改参数一轮一轮试。比如设计一个 1550nm 波导耦合器你要扫描耦合间隙从 100nm 到 300nm每个间隙都要建一次模、跑一次仿真、记一次透射率。如果人工来做每轮之间的注意力切换、文件整理、结果记录都是隐性成本。AI Agent 在这个场景里能做什么它不是替你想物理而是把你从执行者的位置上解放出来。你只需要把约束和目标说清楚剩下的脚本生成、参数修改、仿真执行、结果收集、下一轮参数调整全部由 Agent 自动完成。它像是一个不知疲倦的仿真工程师助理而且不会因为跑了二十轮而烦躁。1.2 这套方案适合谁不适合谁先说适合谁用过 Lumerical至少在 GUI 里手动建过模型、跑过仿真对 Python 有一些基础知道 import 和 pip 是干什么的想尝试把 AI 引入到工作流里但不想用复杂的 Agent 框架。这类朋友这套方案的性价比最高。不适合谁完全不懂仿真物理的人。AI Agent 再怎么自动化它产出的结果也需要人来验收。如果连 neff、透射率、模式阶数这些基本概念都不清楚Agent 跑出结果你也无法判断它到底是对是错。另外如果你希望 AI 能从零做出原创物理设计那也别抱期待目前的 Agent 更擅长在明确约束下做参数优化而不是发现新的物理规律。这套方案的核心思路很简单用 Cline 作为 AI Agent 的执行宿主接上 DeepSeek 作为推理模型再通过 MCP 协议给 Agent 提供操作 Lumerical 的工具接口。每个人都可以根据自己的仿真任务去扩展这个接口所以它不是一个封闭的成品而是一个可以持续生长的框架。2. 方案选型为什么是 Cline DeepSeek MCP 这个组合2.1 Cline给 AI 一双能在编辑器里干活的手如果你用过 ChatGPT 网页版你会发现它最多帮你写写代码没法直接执行。Cline 不一样它是一个跑在 VSCode 里的开源 AI 编程助手插件核心能力是实操它可以在你的项目目录里创建文件、修改文件、在终端执行命令还可以通过 MCP Server 调用外部工具。这些能力组合起来它就从一个聊天机器人变成了一个真正能动手的 Agent。它在界面右侧会以对话流的方式展示每一步操作读了什么文件、写了什么脚本、跑了什么命令、结果是什么。这个透明度非常重要仿真任务不是儿戏AI 每一步操作你都能看到你随时可以喊停或者在关键节点介入。Cline 还区分 Plan 模式和 Act 模式Plan 模式下它只做规划不执行Act 模式才真正动手。我第一次用它就有一种看着一个实习生干活的感觉既省心又不敢完全撒手。2.2 DeepSeek高性价比的大脑Cline 本身不自带模型它像一个壳需要接一个大脑。我选的是 DeepSeek。原因有三个第一DeepSeek 的 API 在国内开放平台就能直接开通按量计费成本非常低跑一次完整仿真的 Agent 会话通常几毛钱到几块钱人民币第二它的代码生成和代码理解能力足够应付 Lumerical 脚本这类任务第三它支持较长的上下文Cline 干活的过程中要来回读文件、写文件上下文小了撑不住。Cline 通用 OpenAI 兼容接口接入 DeepSeek模型用deepseek-chat最稳。如果你想让它先在 Plan 阶段做更深的推理可以切到deepseek-reasoner但执行阶段我还是推荐回到deepseek-chat响应更快工具调用也更稳定。2.3 MCP让 AI 和仿真软件之间有了一条标准插座MCP 的全称是 Model Context Protocol模型上下文协议它是 Anthropic 在 2024 年底提出的开放协议。你可以把它理解成 AI 界的 USB-C 接口以前每个工具和 AI 对接都得单独开发适配器有了 MCP 之后只要工具方实现了 MCP Server任何 MCP 客户端都能直接调用它。在我们的场景里Cline 是 MCP 客户端我需要给 Lumerical 仿真写一个 MCP Server暴露几个工具给 AI 用比如写入仿真脚本运行 Lumerical读取结果文件。这样 AI 就可以通过标准化的函数调用来操作仿真环境而不是让它直接乱敲终端命令。这个标准化收口极其重要后面我会详细讲。2.4 为什么不是 LangGraph、AutoGen 那些框架看到AI Agent这个词很多人第一反应是 LangGraph、AutoGen、Dify 这类平台框架。它们确实更适合做复杂的多智能体协作、生产级部署但对于一个个人仿真工程师来说这些东西太重了。你要搭服务、管数据库、写状态图学完基本概念你可能已经不想动了。Cline 相当于把 Agent 宿主这件事做成了开箱即用的工具你已经装好了身体只需要接一个大脑再配几个传感器MCP 工具。对个人场景来说把精力放在设计工具和工作流上比重复造轮子有意义得多。组件角色类比ClineAgent 宿主负责执行与展示机器人的身体DeepSeek推理与代码生成模型机器人的大脑MCP Server标准化工具接口机器人的手和眼睛Lumerical仿真计算引擎机器人的工作环境3. 环境准备装齐四件套一个都不能省3.1 先让本机 Lumerical 能被 Python 调用虽然 AI Agent 可以直接生成并执行 Lumerical 自带的 .lsf 脚本但我更推荐给 Agent 配上 Lumerical 的 Python API因为 Python 脚本处理参数、输出 JSON 结果都非常方便。首先确认你的 Lumerical 安装路径。我安装的是 ANSYS Lumerical 2024 R2常见安装路径是C:\Program Files\Lumerical\v242不同版本号不同你需要找到api\python子目录比如C:\Program Files\Lumerical\v242\api\python。然后在系统环境变量里加一项PYTHONPATH C:\Program Files\Lumerical\v242\api\python如果路径有空格Windows 下也能正常识别但注意不要加引号。改完环境变量后打开命令行验证一下python -c import lumapi; print(lumapi.__file__)能打印出模块路径就说明安装成功了。如果这一步失败大概率是 PYTHONPATH 没设置对或者 Python 位数与 Lumerical 不匹配。我把这套方案用在 Windows 上Python 用的是 3.10 64 位Lumerical 也是 64 位。还需要确认 License 环境变量。Lumerical 作为 ANSYS 产品通常需要指定 License 服务器比如ANSYSLMD_LICENSE_FILE 1055license-server-name这个变量不对Lumerical 会在启动时卡在 License 校验界面。AI Agent 跑脚本的时候是后台运行看不到卡住的过程只能干等所以一定要在人工阶段先把 License 问题解决。3.2 Cline 安装与 DeepSeek 接入配置Cline 现在不只是一个 VSCode 插件也支持其他 IDE。我用的还是 VSCode扩展市场里搜索Cline直接安装就行。安装完会在侧边栏出现一个机器人图标。然后配置 DeepSeek。在 Cline 的设置界面里API Provider 选择OpenAI Compatible关键参数如下表配置项填写值Base URLhttps://api.deepseek.com/v1或https://api.deepseek.comAPI Key在 DeepSeek 开放平台创建Model IDdeepseek-chat网上有些人填https://api.deepseek.com/v1报 404换成不带/v1的就好了也有人反过来。实际上 DeepSeek 官方兼容 OpenAI 接口格式两种写法在大多数组件里都能用如果遇到了 404 就换一下试试不会有副作用。配置完成后你可以先在对话框里让它写一个 Python 函数测试连通性。第一次调用可能会有点慢因为 DeepSeek 和 Cline 之间要通过 SSE 等机制通信第一次建立连接会有额外的握手开销。3.3 自建一个最小 Lumerical MCP Server这是整个方案里技术含量最高、也是价值最大的部分。Cline 自带的文件操作与终端命令能力其实已经能完成很多事但直接让 AI 操作终端有一个隐患它会执行任何命令包括删除文件、格式化磁盘这种危险操作。MCP Server 的价值在于我只暴露我允许它用的工具每个工具内部做了参数校验和路径白名单AI 只能在限定范围内行动。我们用的 MCP Python SDK核心就是 FastMCP。下面是我这个 Lumerical MCP Server 的简化版本功能只有三个写脚本、跑脚本、读结果。# lumerical_mcp.py import json import os import subprocess import sys from mcp.server.fastmcp import FastMCP mcp FastMCP(lumerical-mcp) # 白名单目录只允许在这个目录里读写文件 PROJECT_DIR rD:\sim_project # Lumerical 执行文件路径按版本调整 LUMERICAL_EXE { fdtd: rC:\Program Files\Lumerical\v242\bin\fdtd-solutions.exe, mode: rC:\Program Files\Lumerical\v242\bin\mode-solutions.exe, } def _safe_path(filename: str) - str: 做一层路径校验防止 AI 写入白名单之外的文件 full os.path.realpath(os.path.join(PROJECT_DIR, filename)) project os.path.realpath(PROJECT_DIR) if not full.startswith(project): raise ValueError(非法路径已拒绝) return full mcp.tool() def write_script(filename: str, content: str) - str: 将仿真脚本写入项目目录 full _safe_path(filename) os.makedirs(os.path.dirname(full), exist_okTrue) with open(full, w, encodingutf-8) as f: f.write(content) return f脚本已写入: {full} mcp.tool() def run_lumerical(filename: str, module: str mode) - str: 后台运行 Lumerical 脚本 full _safe_path(filename) if not os.path.exists(full): return 脚本不存在 exe LUMERICAL_EXE.get(module) if not exe: return f不支持的模块: {module} result subprocess.run( [exe, -run, full, -batch], capture_outputTrue, textTrue, timeout1800 ) return fstdout:\n{result.stdout}\nstderr:\n{result.stderr} mcp.tool() def read_result(filename: str) - str: 读取仿真输出的 JSON 或文本结果 full _safe_path(filename) if not os.path.exists(full): return 文件不存在 with open(full, r, encodingutf-8) as f: return f.read() if __name__ __main__: mcp.run()这个代码用到了mcp官方 Python SDK如果你本机还没装执行pip install mcp然后可以直接运行测试python lumerical_mcp.py启动后它会等待来自 MCP 客户端的连接。此时不要用print()输出任何调试信息否则会污染 stdio 通道客户端那边会因为解析不到合法协议消息而报错。这是一个非常容易踩的坑。3.4 在 Cline 里注册 MCP ServerCline 设置里有一个 MCP Server 面板点击Edit Configuration会打开配置文件不同的 Cline 版本配置文件位置略有差异但格式都是一样的。加入一段{ mcpServers: { lumerical-mcp: { command: python, args: [D:\\sim_project\\lumerical_mcp.py], env: {} } } }保存后回到 Cline 面板如果配置正确它会在 MCP 列表里显示 lumerical-mcp 并且状态为 connected。如果状态是 failed点击查看日志常见的原因有两个python不在系统 PATH 里或者脚本启动就抛异常了。你可以在命令行手动跑一下python D:\sim_project\lumerical_mcp.py先确认它能不能起来。4. 核心工作流从我要算波导模式到AI 自动交结果4.1 准备一份跑得通的 Lumerical Python 模板这是全文最重要的一条经验不要指望 AI 从零写出一个完全正确的 Lumerical 仿真脚本。Lumerical 的 API 与特定版本强相关网上抄来的代码大概率在你的版本上跑不起来。正确做法是你自己先在人工模式下跑通一个最小案例把它作为模板然后让 AI 在这个模板的基础上改参数、加循环。以硅波导模式分析为例我的人工模板长这样# template_fde.py - 模板文件 import lumapi import json import sys def run_simulation(width, height, wavelength): # 启动 MODE 求解器 mode lumapi.MODE() # 创建硅波导矩形截面 mode.addrect() mode.set(name, Si_core) mode.set(x, 0) mode.set(y, 0) mode.set(z, 0) mode.set(x span, width) mode.set(y span, height) mode.set(material, Si (Silicon) - Palik) # 添加 FDE 求解区域 # 注意不同版本的 API 命令名有差异以官方帮助文档为准 # mode.addfde() # mode.set(wavelength, wavelength) # mode.set(solver type, frequency) # 运行模式分析并提取基模有效折射率 # result mode.getmode(FDE) # neff float(result[neff][0]) neff 2.4 # 占位值真正代码以你的模板为准 return {width: width, height: height, neff: neff} if __name__ __main__: cfg json.load(open(sys.argv[1], r, encodingutf-8)) out run_simulation( widthcfg[width], heightcfg[height], wavelengthcfg[wavelength] ) with open(result.json, w, encodingutf-8) as f: json.dump(out, f, indent2) print(DONE, out)这个模板你可以直接跑吗不行因为注释掉的地方需要你用自己版本的真实 API 函数替换。但是它的结构和参数约定是你和 AI 之间的契约。一旦模板人工跑通AI 后面所有工作都是在这个框架里进行的。我给 AI 的指令里明确说了永远不要改动模板的整体流程只允许修改run_simulation函数里的参数以及params.json里的数值。4.2 用任务卡片描述需求让 AI 按流程开工Agent 需要一个明确的入口。我的做法是让 AI 先读一个task_card.json{ task: 计算硅波导基模有效折射率, template: template_fde.py, params: { width: 500e-9, height: 220e-9, wavelength: 1550e-9 }, tolerance: 0.05, target: 2.4 }然后在 Cline 对话框里对 AI 说下面这段话读取 task_card.json然后把结果告诉你。 接下来按顺序执行 1. 读取 template_fde.py复制一份为 run_case_001.py 2. 将 run_case_001.py 里的仿真参数改为 task_card.json 里的 params 值 3. 调用 write_script 工具写入 params.json 4. 调用 run_lumerical 工具运行 run_case_001.pymodule 选 mode 5. 用 read_result 读取 result.json判断 neff 是否在 target 的 tolerance 范围内 6. 如果偏差超过 5%把宽度增加 20nm重新生成脚本执行最多迭代 5 轮 7. 最后汇报每一轮的参数、neff 偏差和最终结论。你看这个 prompt 并没有让 AI 自由发挥而是给了它一个非常明确的操作清单。在这个阶段AI 实际上是在执行一条半人工半自动的流水线。不过它每轮修改参数、生成脚本、跑仿真、读结果的速度是人工操作没法比的。4.3 结果回收与判断让 AI 学会看结果继续干活仿真跑完之后Lumerical 会把结果写进result.json。AI 通过read_result读到文件后需要自己判断结果是否满足指标再决定下一步。举个例子第一轮 AI 读取到的结果可能是{ width: 5e-07, height: 2.2e-07, neff: 2.312 }它知道 target 是 2.4容差 5%也就是合格区间是 [2.28, 2.52]2.312 在区间内直接判定达标。如果第一轮改出来的宽度是 430nmneff 算出 2.21低于下限AI 就会增加宽度重新跑。它每轮都会记录参数和结果五轮迭代之后如果还不收敛就会停下来跟你汇报等待人工决定。这里有一个很关键的细节AI 读到的数值是科学计数法还是十进制要提前约定好。我让模板输出十进制浮点数因为 AI 对带指数的5e-07做数值比较时偶尔会糊涂。虽然理论上不至于错但我遇到过几次它把5e-07当成5 * 10^7来理解的诡异情况。与其赌它的理解能力不如在源头控制格式。4.4 给 Agent 加一双眼睛让它可以读取模式图纸上谈兵不够仿真工程师很多时候要看模场分布图来判断模式对不对。所以我给 MCP Server 加了一个read_image工具让 Lumerical 把模场分布保存为 PNGAI 通过 base64 编码读取图片内容。mcp.tool() def read_image(filename: str) - str: 读取图片并以 base64 返回供 AI 查看 full _safe_path(filename) if not os.path.exists(full): return 文件不存在 import base64 with open(full, rb) as f: data base64.b64encode(f.read()).decode(utf-8) return data有了这个工具AI 就能看到仿真结果了。虽然它的图像理解能力有限但对判断是基模还是高阶模场分布是否集中在波导里这类问题足够用。实测下来AI 对模式图的判断准确率大概有七到八成作为自动化的第一道筛选完全够用人工只需要在 Agent 判定为存疑时介入确认。4.5 用 Git 记录每一轮迭代保证可回溯AI 自动迭代最怕的是跑完五轮之后你已经不知道最后用的什么参数。我强烈建议把整个仿真项目目录做成一个 Git 仓库每一轮迭代结束AI 提交一次代码提交信息就是轮次和 neff 结果。在 prompt 里加上一条每轮结束后运行 git add . git commit -m 第N轮: widthxxx neffxxx如果哪里不对git diff一看就知道 AI 改了哪里git checkout能迅速回到之前某一轮。这个习惯看起来很简单但在自动迭代场景里它是救命稻草。5. 常见问题与排查速查表我踩过的几个真实坑5.1 连不上 DeepSeek或者 Cline 一直转圈这个问题出现的概率最高核心原因往往是配置参数不对项目根目录下的.env或 Cline 设置没有正确读取 API Key。排查顺序是先确认 API Key 能在 DeepSeek 官方平台正常调用可以用官方页面的 Test 功能然后确认 Cline 里 Model ID 填的是deepseek-chat不是deepseek-v3之类的自定义名称最后检查网络的代理设置如果你本机开了任何系统代理Cline 访问 DeepSeek 时可能因为代理冲突而一直 pending。关掉代理或者把api.deepseek.com加入白名单即可。还有一个容易忽略的点deepseek-reasoner在 Cline 里可能因为思考时间太长而超时。Cline 没有直接暴露请求超时配置但你可以把 Plan 阶段的模型切成deepseek-chat避免这个问题。5.2 MCP Server 连接失败MCP Server failed 的状态几乎每次都能在日志里看到原因。最常见的两个一是python命令找不到。二是你的 MCP Server 脚本顶部有print()调试语句。我在lumerical_mcp.py里写过一次print(server starting)结果 Cline 永远连接不上。因为 MCP 的 stdio 传输模式要求标准输出只能输出协议数据任何额外输出都会让客户端解析失败。第三个原因是lumerical_mcp.py运行中抛异常了比如路径不存在或者某个模块没安装。你可以在终端手动运行这个脚本看到具体报错再解决不用在 Cline 界面里瞎猜。5.3import lumapi失败这个错误在 AI 生成的脚本里出现得非常多。原因通常是 Cline 启动终端的环境变量和你手动设置的 PYTHONPATH 不一致。Cline 打开终端时不一定继承了系统环境变量尤其是你通过 VSCode 的图形界面启动 Cline 时。稳妥的做法是在 MCP Server 的env配置里显式声明 PYTHONPATH{ mcpServers: { lumerical-mcp: { command: python, args: [D:\\sim_project\\lumerical_mcp.py], env: { PYTHONPATH: C:\\Program Files\\Lumerical\\v242\\api\\python } } } }这样就不依赖系统环境变量了。5.4 Lumerical 卡在 License 校验仿真脚本一直不结束AI 生成脚本没问题但run_lumerical调用之后一直不返回直到超时。十有八九是 License 问题。我在 3.1 节已经强调过ANSYSLMD_LICENSE_FILE这个环境变量这里再补一句建议写一个几秒钟就能跑完的最小模板每次更换机器或配置环境后先手动跑一遍确认无阻塞再让 AI 去跑业务脚本。我建议你给run_lumerical里的subprocess.run设一个合理的 timeout比如 1800 秒并且把异常输出捕获到返回文本里。否则 Agent 会一直等白白消耗 token。5.5 结果文件编码问题导致的 JSON 解析失败Lumerical 的模板代码里如果用了open(result.json, w)在 Windows 上默认编码可能是 GBK而 AI 读取时按 UTF-8 解析就会乱码。对策是统一用 UTF-8with open(result.json, w, encodingutf-8) as f: json.dump(out, f, ensure_asciiFalse, indent2)ensure_asciiFalse也很重要这样中文内容不会被转义成\uXXXXAI 读起来更直观。6. 进阶玩法参数扫描、远程执行与多任务排队6.1 让 AI 按网格自动扫描参数当单个案例跑通之后最自然的下一步就是参数扫描。给 AI 一个参数范围让它自己去遍历比如让宽度从 400nm 扫到 600nm步长 20nm。每轮算完把结果追加到一个 CSV 文件里。这个流程里 AI 不只是简单地执行它还需要自己维护一个当前扫描进度避免重复跑。我在 prompt 里让它把进度写进progress.json每完成一个点更新一次。即使中途中断重新启动后也能从断点继续。6.2 本地 Agent 指挥远程仿真机如果你的 Lumerical License 装在服务器上本地电脑只有编辑器也没关系。思路是本机 Cline 负责生成脚本和读取结果MCP Server 里的run_lumerical改成通过 SSH 在远程服务器上执行命令。这一步只需要在 MCP Server 里引入paramiko或调用系统的ssh命令即可。实现上要把远程目录也纳入路径校验白名单防止 AI 在远程服务器上下载或执行来路不明的文件。6.3 多个 AI Agent 排队并行如何扛并发很多人口中的AI Agent 扛并发是指开几十个 Agent 同时干活。但在 Lumerical 场景里真正瓶颈不是 AI 算力而是 License 槽位。Lumerical 的 License 通常限制并发实例数你开十个 Agent 同时跑仿真只会让它们互相抢 License甚至互相 GC 把 License 释放掉。我实践中比较稳的方式一个 Agent 实例对应一个仿真任务队列内部串行执行外部如果需要扩展就多开几个 Agent 实例每个实例只使用一个 License 槽位。这样并发的收益主要由任务编排带来而不是靠无脑多开 Agent。如果你想做得更工程化可以在 MCP Server 里加一个简单的任务锁用文件锁或 SQLite 记录当前占用槽位的任务 ID避免多个 Agent 同时启动 Lumerical 进程。个人体会这套方案最有价值的地方其实不是 AI 有多聪明而是通过模板 MCP 白名单工具 任务卡片把 AI 的不可控性约束在了一个安全边界里。我刚开始试的时候也踩过 AI 乱访问路径、生成乱码脚本、把参数格式写错的坑但只要把模板和工具边界设计好这些问题基本都能被挡住。最后再分享一个小建议第一步不要急着让 AI 自动迭代先在 Cline 里手动跑通一次完整流程确认每个工具都能正确调用再放开自动模式。第一轮自动迭代时也要盯一次完整输出看到它确实在一步步执行命令、读取结果、判断偏差而不是在装样子就可以放心交给它跑了。后面你省下来的时间足够把精力放在真正需要你上的物理问题上。