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
