让 AI 连接 Fluent：PyFluent-MCP 安装与调用入门

很多人把 MCP 理解成“让 AI 自动做仿真”。更准确地说，MCP 是一套连接方式：AI 助手通过它调用外部工具，PyFluent-MCP 则把一组 Fluent 操作工具提供给兼容的 AI 客户端。

连接之后，助手可以查询 Fluent 设置、查看网格质量、读取算例摘要，也可以在明确调用时执行 Python 操作。但它不会替工程师判断边界条件是否符合实际，也不能保证计算结果正确。本文以 Windows 上的 Codex 桌面端为例，介绍安装前检查、接入方式和安全的首次调用。

可以把这条链路理解为：Codex 负责接收问题并选择工具，PyFluent-MCP 负责把工具请求转换成 PyFluent 操作，PyFluent 再连接本机 Fluent 求解器。MCP 本身不是 Fluent，也不是一套新的物理模型。

截至 2026 年 9 月，PyFluent-MCP 稳定版文档列出了连接与会话、设置查询、代码校验、结果摘要、网格质量和文件比较等工具。离线工具可以查询设置说明或预检代码；真正连接求解器的操作，需要本机 Fluent、许可证和兼容的 PyFluent 环境。

当前 PyFluent-MCP 安装说明要求 Python 3.12 或更高版本。要连接并启动 Fluent，还需要可用的本机 Ansys Fluent 安装和许可证。当前 PyFluent 版本不再支持 Fluent 2024 R2 以前的版本，因此不能只看“电脑上装着 Fluent”就认为一定能连接。若使用的是更早版本，需要先核实旧版 PyFluent 的兼容组合；本文给出的命令不代表旧版本也能照常运行。

在 Windows 终端中，先确认 Python 版本：

python --version

确认使用 Python 3.12 或更高版本后，建议在单独的虚拟环境里安装，避免影响其他 Python 项目：

mkdir pyfluent-mcp-demo

cd pyfluent-mcp-demo

python -m venv .venv

.\.venv\Scripts\Activate.ps1

python -m pip install --upgrade pip

python -m pip install "ansys-fluent-mcp[pyfluent]"

ansys-fluent-mcp --help

这里安装的是 MCP 服务及其 PyFluent 后端，不会替你安装 Fluent，也不会自动启动求解。最后一条命令能显示帮助信息，说明命令行入口已安装；它还不能证明 Fluent 许可证或求解器连接已通过测试。

Codex 桌面端支持本地 STDIO 类型的 MCP 服务。STDIO 可以理解为：Codex 启动一个本机程序，并通过标准输入输出与它交换工具请求。

打开 Codex 的“设置 → MCP servers”，选择添加服务，名称填写 `pyfluent`，类型选择 **STDIO**。命令填写刚才虚拟环境中的 `ansys-fluent-mcp.exe` 完整路径，例如：

C:\Users\你的用户名\pyfluent-mcp-demo\.venv\Scripts\ansys-fluent-mcp.exe

参数暂时留空，保存后重启 MCP 服务。路径中的用户名和文件夹名称要替换成自己电脑上的实际值。也可以在 `config.toml` 中配置：

[mcp_servers.pyfluent]

command = "C:\\Users\\你的用户名\\pyfluent-mcp-demo\\.venv\\Scripts\\ansys-fluent-mcp.exe"

args = []

startup_timeout_sec = 30

添加成功后，在 Codex 的 MCP 工具列表中检查是否能看到 PyFluent-MCP 暴露的工具。若服务启动失败，优先核对命令路径、Python 环境和启动日志；不要先去改 Fluent 模型设置。

建议先问一个不改变算例的问题，例如：“查询 Fluent 中与速度入口相关的设置说明，不要连接或修改当前求解器。” `get_help` 和 `find_api` 可用于查找设置路径与帮助信息，不需要先运行实际计算。

连接到 Fluent 后，可以先查看会话状态、读取算例设置摘要或检查网格质量。例如：“连接到 Fluent 后，只读取当前算例的模型、材料和边界条件摘要，并检查网格质量；不要更改设置，也不要启动计算。”这类任务适合确认工具是否能读到目标算例。

PyFluent-MCP 文档将常见操作概括为“发现—校验—执行—复核”：先查找设置路径和当前值，再校验准备执行的代码；只有确认操作内容后才执行，最后重新读取设置或生成报告核对变化。尤其要注意，`run_code` 会在当前连接的 Fluent 会话中执行代码，可能改变求解器状态。代码预检是安全措施，不是物理正确性证明。

对于已有算例，MCP 可以帮助快速整理模型、边界条件、材料、求解设置和网格质量信息；在重复性工作中，也可以协助生成或执行 PyFluent 设置操作。它的价值主要是减少查找和重复操作，而不是取代建模判断。

如果算例包含客户几何、商业参数或尚未公开的项目数据，不要在未确认数据处理边界前接入不熟悉的远程服务。即便 PyFluent-MCP 在本机运行，调用它的 AI 客户端、会话环境和网络配置也要一并纳入数据管理。第一次测试最好使用可公开或专门准备的副本。

修改模型前，先复 制一份算例；把“读取和报告”与“修改、初始化、迭代”分开；对每项写入操作明确确认目标对象和值。计算完成后仍需检查网格、守恒、收敛行为、物理量级和实验或工程依据。工具成功返回，只说明请求完成，不等于仿真结论已经成立。

PyFluent-MCP 让 AI 助手可以通过标准工具接口与 Fluent 配合工作。真正值得关注的不是“AI 能不能替我点按钮”，而是能否把设置查询、重复操作和结果整理做得更清晰、更可核对。先从只读检查开始，再逐步开放写入操作，才是更稳妥的使用顺序。

需要注意，软件版本、许可证和具体算例决定了可用范围。安装成功、连接成功和仿真可信，是三个不同的检查环节，不能混为一谈。

参考资料与图片来源

1. Ansys PyFluent-MCP 官方安装说明、快速开始及工具能力文档：<https://fluent-mcp.docs.pyansys.com/version/stable/>。

2. Ansys PyFluent 官方安装与兼容性说明：<https://fluent.docs.pyansys.com/version/stable/getting_started/installation.html>。

3. OpenAI Codex 官方 MCP 配置说明：<https://learn.chatgpt.com/docs/extend/mcp>。