AI 智能体能不能真的帮工程师跑电路仿真这个话题最近被推到台前既和业界新闻有关也和 Codex 这类编程智能体快速进入开发流程有关。对电子工程师来说与其把注意力放在公司之间的是非上不如先回答几个能用行动验证的问题智能体究竟能接替仿真流程里的哪些动作一个普通工程师能不能在一天之内跑通最小闭环自动化之后数据边界和错误排查的成本要怎样控制。如果拆开电路设计流程你会发现最有自动化潜力的环节不是画原理图而是反复“试电路”。画图需要清晰的设计意图短期很难交给 AI但生成网表、设置扫描条件、读取波形、修改参数再重跑这些环节规则清楚天然适合做成工具链。很多 AI 产品已经证明了“写代码 调命令行”的方向把这种能力接到仿真器上只是把场景从纯编程换到了电子设计验证。把这条链路想清楚以后会少很多焦虑。它不是要取代工程师的判断而是把工程师从“最后一版波形永远差一点”的循环里解放出来。1. AI 智能体进入电路仿真真正解决的问题是重复劳动先说结论AI 智能体在电路仿真里最值得做的工作不是帮你现想一个电路而是接住仿真验证里的重复劳动。一次完整的仿真验证通常包括根据规格估算器件参数生成网表或模型文件选择仿真类型设置扫描与步长运行仿真读取输出判断是否满足指标不满足就调整参数再跑一轮。这个循环里后几项都有明确规则一版一版人工操作非常低效但对 AI 来说难度并不高。我习惯把这条流程拆成两个层面看待。第一个层面是“人必须做的事”包括明确需求、确认拓扑、判断器件应力、决定是否接受结果。第二个层面是“规则足够清楚、可以交给脚本或智能体做的事”包括生成初值、转成网表、跑一遍瞬态、提取结果、按规则换参数重跑。把第二层单独拿出来看它和程序员日常交给 AI 写脚本的过程本质上没有区别先有明确输入和输出过程可以被验证失败时允许重来。环节工程师的重复工作AI 智能体可以做什么规格确认读懂输入输出、纹波、频率、负载需求根据自然语言需求生成检查清单逐项核对参数估算用电感电容公式手工估算初始值生成 Python 计算脚本保留公式和单位网表准备写 SPICE 网表或仿真配置文件根据拓扑和参数生成初版网表允许模型路径可替换仿真运行设置瞬态、AC、参数扫描等待结果调用命令行仿真器设置超时记录退出状态结果分析检查波形、峰峰值、平均值、环路余量解析日志和结果文件提取关键指标迭代修改手动改电容、电感、频率重新跑按固定规则生成新参数只改动指定项重跑小批量这个表格并不是什么“全自动概念”而是一个最务实的切分。把表格里“AI 可以做什么”那一列再放大你会发现它能产生的价值不在于“聪明”而在于“稳定”。人工重跑十次仿真时疲劳会让手滑概率变高脚本重跑一百次只要输入和路径不出问题每一次执行逻辑都一样。这个特点才是工程团队愿意往这个方向投入的根本原因。1.1 哪些环节最适合让智能体先介入在电路设计里越接近“计算”和“比对”的环节越适合智能