最近刷小红书和知乎，大概率会刷到这样的帖子：有人把一个.slx文件直接丢给AI，AI把模型结构讲得明明白白。小红书有人让Codex从零搭出Simscape物理模型；还有人直接以"烧了10亿Token之后我在Simulink能做什么"为标题做复盘。小红书这不是零散的玩票。
今年4月，MathWorks在发布R2026a时官方宣布了一套Agentic AI组合。知乎它就是MATLAB MCP Core Server，加上配套的MATLAB/Simulink Agentic Toolkit，让Claude Code、GitHub Copilot、Codex、Amp、Gemini CLI这类AI智能体可以直接与本地的MATLAB和Simulink交互。官方工具下场、社区已经实操了大半年，B站上MATLAB EXPO 2026的官方MCP演讲播放量破了1.5万，用户自制的安装和实战教程也成系列出现。哔哩哔哩这件事到底进展到哪一步、成本多高、适合谁，值得完整盘一遍。
先说一个反直觉的事实
很多人以为"AI看懂Simulink"是什么黑科技，其实不是。.slx文件本质上是一个zip压缩包，里面的模块连接关系、参数配置都是XML文本。也就是说，仅仅是"读"，不需要装任何插件，把模型文件丢给能读文件的大模型，它就能给你讲结构。今年1月小红书上那篇"AI已经能读slx"的帖子，就是靠这个操作拿到了700多个收藏。小红书真正的新变化，是从"能读"跨到了"能操作"。官方口径里，通过MCP通道，AI智能体可以在本地MATLAB/Simulink上执行代码生成、代码执行、代码分析、迭代优化，以及模型创建、编辑、理解等任务。知乎也就是AI提出方案之后，能自己跑起来、看结果、改模型，官方把这叫"生成式AI与可验证计算之间的闭环"。
四条路线盘点
目前社区里让AI参与Simulink仿真，基本就是四条路线：
路线一：直接把slx丢给大模型（零配置）。适合读懂别人的模型、整理模型文档、核对模块参数。上手成本为零，模型不复杂的话效果立竿见影。局限也很明显：只能读不能写，复杂模型的上下文消耗很大。
路线二：官方MCP Core Server + Agentic Toolkit。这是官方主推的组合。MCP Core Server负责"动手"：代码生成、执行、分析，模型创建、修改、理解；两个Agentic Toolkit则负责给AI注入"怎么用好MATLAB/Simulink"的专家经验。官方自己说得很直白：缺少这些领域知识时，Coding Agent可能会重复实现已有工具箱的功能、忽视内置特性，或者绕远路，而Toolkit的作用就是减少绕路，同时降低Token开销。官方在指南文章里给这套组合下过一个定义：“非智能体AI就像只写报告的顾问，具备智能体能力的AI就像能把事做成的伙伴”。知乎从数据看：MCP Core Server的GitHub仓库已有1400多星，4月才上线的Simulink Agentic Toolkit也接近千星。门槛不在版本——官方要求只是MATLAB R2023a及以上——而在license：官方使用条款明确，MCP服务器只能按照MathWorks软件许可协议使用，不允许多用户共享。GitHub
路线三：第三方插件。代表是知乎开发者今年3月发布的Simulink Automation Suite，以Claude Code插件形式提供只读的模型分析能力：扫描模块结构、定位并高亮模块、结构化输出。设计思路很"agent友好"：结构化输入、尽早失败、控制返回体积以节省token。值得注意的是一个后续发展——作者5月在文章顶部自己加了说明：官方工具包已出，建议大家改用官方工具。知乎这个细节其实是个很好的判断依据：第三方工具起步快，但长期演进要看官方节奏。
路线四：通用Coding Agent直接上。上限最高。社区里声量最大的案例基本都在这条路线上：有人让Codex搭K型热电偶的Simscape物理模型，从物理层面建模而不是做简单等效，评论区一片"封神"。小红书有人在电力电子方向烧了10亿token，把Codex+Simulink的实操经验做成了长视频复盘，收藏数比点赞还高；B站还有人专门用Codex复刻论文里的Simulink模型，一条视频1.2万播放。哔哩哔哩代价同样明显：token消耗巨大，而且你得有能力判断它搭得对不对。
现在到底能干什么、哪里还不靠谱
按社区目前的实操证据，说实话：
相对靠谱的：读懂并解释模型、整理模型结构、批量核对参数、写MATLAB脚本级的辅助代码。这些本质上是"读文件+写脚本"，大模型本来就擅长。
已经有人做成、但属于个案的：从零搭建中等复杂度的模型，比如热电偶物理模型、电力电子变换器。注意，这些作者本身就是有经验的工程师，能自己验证结果。
暂时别指望的：让AI直接交付生产级模型。官方都承认，没有领域最佳实践加持，Agent会犯各种"老手不会犯"的错。更要命的是，仿真和写代码不一样——模型能跑通，不代表物理上是对的，这种错误没有编译器替你拦。
相比能力，几个坑更值得提前知道：
Token开销不是小数目，但方差极大。有人在电力电子方向烧掉10亿token，也有人用DeepSeek配MCP生成一整个MATLAB桌面应用，token成本不到1元。知乎社区共识是：全模型扫描类任务优先换便宜模型，或者在prompt里明确约束AI省token。
版本、license和适配都有坑。官方工具链要求MATLAB R2023a及以上加有效授权；第三方插件也有适配问题——前面那个插件的文章页里，有人问Codex能不能运行，说试了2024b跑不起来，作者回复说还没做适配。知乎
AI可能拿着旧教程教你。最近知乎有个热帖：新版本是不是把电力电子仿真的"黑库"（Specialized Power Systems）删了？回答是"以后都是蓝库"。知乎而大模型的学习材料以旧教程为主，让它搭电力电子模型，它很可能引导你去找已经删掉的模块。电力电子方向用AI，记得多问一句：你说的库，这个版本里还有吗。
模型保密。把公司MBD模型传给云端大模型之前先想清楚，车厂和Tier1的模型通常带保密义务，这一步建议先过内部合规。
不同人群怎么选
学生党、没有license：从路线一和路线四入手。先用AI读开源模型、读课程作业，零成本验证价值；想练搭建，用低成本方案小步试。教程不缺，B站上播放量过万的MCP安装和实操教程就有好几个。哔哩哔哩不用羡慕企业的MCP环境。
公司有正版授权的工程师：直接上路线二。官方MCP+Toolkit是目前体验最完整、可追溯性最好的组合，也最贴合MBD流程的合规要求。
版本太老（R2023a之前）、不方便升级的：先用路线一、四低成本验证自己的场景，确认有价值再考虑升级，别为了AI把项目环境搭进去。
电力电子方向：先处理"黑库迁移蓝库"的问题，再享受AI提速；让AI搭模型时，明确要求它用新版Simscape Electrical库。
值得继续盯的两个信号
一是R2026b。MathWorks每年第二个版本通常在秋季发布，File Exchange最近已经开始为文件分配Package Name。知乎这被社区解读为在给类似pip install的机制铺路，Agentic AI能力大概率还会有一轮更新。
二是GitHub上官方Simulink Agentic Toolkit的演进方向——它目前主要提供工作流知识和最佳实践。GitHub后续如果深入到模型编辑能力，路线二的领先优势会进一步扩大。
一句话总结：AI+Simulink已经过了"能不能用"的阶段，进入"什么场景、什么成本"的阶段。对做仿真的人来说，这是今年值得认真关注的一次工具升级——但入手之前，先想清楚自己的版本、授权和场景，别急着给token交学费。
