AI 学会"做电力仿真"——CloudPSS 给大模型，配齐了一双手和一个懂行的脑

AI 会聊天、会写代码、会画图，但它能独立操作一款专业的电力仿真软件吗？

我们用两步给出了答案：先用 CloudPSS MCP 把 SimStudio 的建模与仿真能力封装成 40 余个标准工具——这是给 AI 装上"手"；再在它之上构建一个自动建模智能体——这是给 AI 配上一个懂电力仿真的"脑"。

CloudPSS MCP —— 给 AI 一双"能操作 SimStudio 的手"

1. AI 很强，但它一直被挡在专业软件门外

过去两年，大模型的能力突飞猛进：写文章、写代码、做表格、生成图片，样样在行。

但只要回到专业垂直领域，它就会撞上一堵墙——

你可以让 AI 给你讲解"什么是电磁暂态仿真"，但你没办法让它真的打开仿真软件，帮你把算例搭出来。它能告诉你"应该加一个光伏逆变器"，却碰不到那张画布。

原因很简单：专业软件的操作能力，从来没有被标准化地"交"到 AI 手上。

电力仿真尤其如此——它高度依赖领域知识 + 平台操作 + 工程经验的紧密结合。这"最后一公里"，恰恰是通用 AI 最难跨越的。

**CloudPSS MCP，要做的就是打通这一公里。

2. 一分钟搞懂：什么是 MCP？

MCP（Model Context Protocol，模型上下文协议），是 Anthropic 于 2024 年底推出的开放标准，目前已成为 AI 工具生态事实上的"通用语言"。

它要解决的问题只有一个：

大模型，如何标准化地"使用工具"、"操作外部系统"？

一个形象的类比：

• MCP 之前——每接入一个工具，都要为大模型单独定制一套对接代码，像给每台设备配一个专属插头，杂乱且难以复用；
• MCP 之后——它像一个 "AI 世界的 USB-C 接口"：任何系统只要实现一个 MCP Server，就能被所有支持 MCP 的客户端（Claude Desktop、Cursor、Cherry Studio、Cline 等）即插即用地调用。

而我们今天介绍的，正是为 CloudPSS · SimStudio 打造的这样一个标准接口。

3. CloudPSS MCP 是什么？

一句话定义：

CloudPSS MCP 是一套面向 CloudPSS · SimStudio 的标准 MCP 工具集，它把 SimStudio 的建模、检索、仿真、分析能力，封装为 40 余个可被大模型调用的标准工具，让 AI 能够像工程师一样，亲手操作 SimStudio。

在 "AI + 电力仿真" 这条链路里，它扮演的是最关键的基础设施层（工具层）：

简单说：它是 AI 与 SimStudio 之间的一条标准、安全、完整的通路。

4. 它能做什么？——看几个真实的"动手"瞬间

与其罗列功能，不如直接看 AI 拿到这套工具后，能做出哪些具体动作，重点不在"连成流程"，而在"AI 第一次能真的碰到 SimStudio"：

片段一：找元件，并读懂它

输入："帮我找一个电压表，看看它有哪些参数。"
AI：调用 find_component_models 检索 → 调用 get_component_model 读取文档与参数定义
结果：返回匹配元件，并列出量测维度、引脚定义等完整信息。

视频1

片段二：在画布上"画"出电路

输入："把这个电压表添加到母线Bus7上。"
AI：调用 add_diagram_component 放置元件 → 调用 add_diagram_edge 建立电气连接
结果：元件出现在画布指定位置，连线自动生成，电气拓扑成立。

视频2

片段三：配置方案并启动仿真

你："使用当前的电磁暂态方案，仿真步长修改为0.00005秒，运行一次仿真。"
AI：调用 get_job 查看方案 →调用 add_job 配置方案 → 调用 create_job 启动任务
结果：仿真任务创建并运行，返回任务 ID。

视频3

这里的每一步，AI 都是"真的做了"，而不是"告诉你该怎么做"。 这就是 MCP 带来的本质区别。

5. 四大能力模块，覆盖建模仿真全链路

CloudPSS MCP 当前提供 40 余个标准工具，可归纳为四个模块：

模块一｜算例拓扑：全维度增删改查

这是 CloudPSS MCP 的核心能力——让 AI 像人一样在画布上操作。

特色细节 1 ：连通性分析支持 min_depth / max_depth 控制查找深度，可以像"剥洋葱"一样逐层展开电网结构——这对大规模电网的拓扑梳理极为实用。
特色细节 2：画布装饰元素支持 Markdown 内容与边框/背景/文字颜色的自定义样式——建模完成的同时，图纸注释也可以一并自动生成，告别「有图无注」的裸拓扑。

模块二｜元件模型：让 AI 先"自学"再动手

CloudPSS 元件库庞大，传统建模需反复查阅手册。MCP 把这一步交给 AI：

• 关键词语义检索（find_component_models）：输入自然语言关键词，返回匹配元件的 rid、名称与简介列表
• 一键获取完整定义（get_component_model）：锁定目标后，拿回该元件的文档全文、所有参数的类型与默认值、引脚定义——足以让 AI 在添加元件前把「说明书」读透

为什么重要：AI 在使用陌生元件前可以先"读懂说明书"，参数填写有据可依，而不是凭空猜测。

模块三｜图纸 / 变量 / 项目管理

工具覆盖三类对象，每类都有完整的读写操作：

① 图纸（Canvas）：新建图纸、重命名图纸、列出所有图纸——支持分层建模与多视图组织，AI 可以自主规划算例的图纸结构。
② 全局变量（Variable）：列出全部变量、读取单个变量值、写入/新建变量——服务参数化场景与跨元件协同，修改一处全局变量即可联动所有引用它的元件参数。
③ 项目文件与元数据（Project）：打开算例、保存算例、读写项目名称/描述/文档——AI 可以在建模结束后自动为算例撰写规范的说明文档。

• 拓扑校验：仿真前自动扫描，按 error / warning / info 三级分类返回全部问题，并支持按问题分组过滤，精准定位异常来源

特色细节：拓扑校验 让 AI 在跑仿真前先做一次"体检"，提前发现接线错误、参数缺失等问题，少走弯路。

模块四｜仿真驱动：从配置到运行的闭环

CloudPSS 的仿真配置由两套相互独立的对象共同决定：

• 计算方案（Job）：选用哪种计算函数（电磁暂态 / 潮流 / ……），以及该函数的运行参数（仿真步长、时长、输出通道等）
• 参数方案（Config）：元件层面的全局参数覆盖，在不改动任何拓扑的前提下切换运行工况

两者组合使用才能启动一次仿真：用哪套参数（Config）× 跑哪种计算（Job）= 一次仿真任务。

MCP 对这两套对象各自提供了完整的增 / 改 / 列 / 查工具：

此外还可以列出所有可用计算函数，并获取其参数类型与说明——AI 配置计算方案前可以先「查清楚」有哪些计算函数可选

典型场景：AI 可以一次性建立多个参数方案，再为每个方案各跑一次电磁暂态仿真——多场景对比实验，全程不需要人手动切换一次配置。建模与仿真不再割裂，画完即可跑，跑完可调参再跑，全流程在同一套工具内闭环。

6. 四个工具设计细节，让 AI 用得稳、用得对

一套工具顺不顺手，往往不在功能多少，而在设计细节。CloudPSS MCP 有几处贯穿始终的约定，专为"让大模型用得稳、改得准"而设：

① 增量修改：只动该动的，其余分毫不变

所有 update_ 类工具——无论是改元件参数、引脚，还是计算方案、参数方案、项目信息——都遵循同一条约定：只更新你明确指定的项，未提及的部分保持原样。

AI 调整某一个参数时，不会"顺手"改坏其他配置——每一次修改的影响范围，都是可预期的。

② 先检索后详情：列表给概览，深读按需取

面向元件库、计算函数等海量资源，工具一律拆成两段：find_ / list_ 先返回 rid、名称、简介的轻量列表；锁定目标后，再用 get 取回完整文档、参数与引脚定义。

AI 不必一次性吞下整个元件库——先扫概览、锁定目标，再深读"说明书"。信息按需供给，上下文不被无关细节淹没，调用更聚焦。

③ 标准为主，底层兜底，风险写在名字上

绝大多数场景，用语义清晰的标准工具即可完成；少数需要直接写入底层字段的高权限操作，则统一冠以 dangerously_ 前缀。

把"危险"直接写进工具名——哪些是常规操作、哪些需要谨慎，AI 一眼可辨。给得了灵活，也拦得住误触。

④ 脚本扩展：标准工具的边界之外，还有 run_script

当标准工具覆盖不到某个场景，run_script 允许 AI 在一段脚本里组合调用几乎所有操作，并拿回执行日志与结果。能力有边界，但边界之外仍有出路。

MCP 是起点，而不是终点

CloudPSS MCP 解决的是"AI 如何使用 SimStudio"——它是工具层，是基础设施。

但要让 AI 真正成为一名合格的"仿真助手"，仅有工具远远不够。它还需要：

• 理解电力系统的工程语境与专业术语
• 把一个模糊的需求，拆解成清晰的执行步骤
• 在数十个工具之间，做出合理的调度与决策
• 结合工程经验，给出有价值的判断与建议

换句话说：MCP 让 AI 拥有了"双手"，但"如何把事情做对、做好"，是更高一层的命题。

能"碰到"画布，不等于"会"建模。 区别于Claude、Cursor等通过智能体，电力仿真要的不是一个"什么都会一点"的通才，而是一个懂规矩、守边界、出了问题知道该停下来问你的专家。

CloudPSS 自动建模智能体 —— 给 AI 一个"懂电力仿真的脑"

如果说 CloudPSS MCP 是"手"，那么自动建模智能体就是指挥这双手的"脑"。

它构建在同一套 MCP 之上，但不只是"调用工具"——它会理解你的工程目标、把任务拆成有序的步骤、在合适的环节调度合适的能力、遇到风险先确认、遇到失败先诊断。

一句话：它不像一个会用软件的 AI，更像一位驻场的电力仿真工程师。

而这位"工程师"，其实是一支分工明确的团队——一个主脑统筹，四个专才各管一摊：

关键在最后一列"边界"： 每个专才只拿得到自己该用的工具——检索的碰不到写入，高危的活集中由"受控辅助"在确认后处理。这种"各用各的工具"的隔离，正是它不会"抓错工具、顺手改坏配置"的根本原因。而通用 AI 是把 40 余个工具一股脑平铺给同一个大脑，选择困难、误用风险，都从这里来。

1. 为什么不直接用通用 AI

MCP 已经让 Claude、Cursor 都能连上 CloudPSS——但"能调用工具"不等于"会做仿真"。通用 AI 是会查手册的通才；我们要的，是懂业务、守规矩、能担责的专家。

我们把这套工具真的交给通用 AI 试过，逐条对比下来是这样：

一句话：通用 AI 是"会用工具的通才"，CloudPSS 自动建模智能体是"懂业务、守规矩、能担责的专家"。这不是谁取代谁——正因为定位不同，才要在 MCP 之上，再造一个专用的"脑"。

2. 它是怎么"想"和"做"的

来看一个跨多个环节的真实任务：

在母线Bus2上添加一个三相短路接地故障，并为该母线的电压（Vrms）添加一个输出通道进行量测。随后，将对母线电压的量测配置到当前电磁暂态仿真方案的输出通道中，并启动仿真

它不会一股脑乱做，而是先拆成一张任务清单，再逐步推进、分工执行：

1. 先规划——把目标拆成有先后依赖的几步，并在每步完成后进行阶段性的总结，不黑箱执行。
2. 找元件——"故障元件"是自然语言描述，交给专门的元件检索能力收敛出唯一最匹配的模型。
3. 搭拓扑——主智能体亲自在母线上添加故障实例、把类型设为三相接地、完成连线；并按照要求添加输出通道。
4. 跑仿真——把"配置电磁暂态方案输出、设步长/时长、启动仿真"交给仿真管理能力。
5. 收口——汇总结果回复你；万一失败，转入只读诊断，告诉你原因，而不是闷头乱试。

复杂任务，不是一个 AI 硬扛，而是一个主脑统筹、多个专才分工。

视频4

3. 安全可控，为真实工程而设计

智能体操作的是真实电网模型和仿真工程，自动化越强，越要有边界：

• 普通查询和局部操作，快速响应；
• 项目保存、底层字段写入、脚本执行等高风险操作，先请你确认；
• 失败时不盲目重试——同一步连续失败会自动刹车，转而判断该补查询、改参数，还是进入诊断；
• 一旦你拒绝某项高危操作，它立即停止，绝不绕过你的决定继续推进。

这让它能放进真实工程流程，而不只是演示环境。

平台 → 手 → 脑，一套完整的能力栈

CloudPSS 给 AI 的不是一个工具，而是一条从平台能力到智能协同的完整路径

MCP 让 AI 拥有了操作 SimStudio 的双手，智能体让这双手真正会做电力仿真。 这，就是 CloudPSS 对"AI + 电力仿真"给出的完整答案。