我用AI做EDA仿真，Token烧得快怎么办？
导读：ADS 2027 把 MCP、Python 自动化、宏录制和 AI-ready 工作流带进了 ADS 的原生能力体系。真正把 AI 接到 EDA 软件之后，难点并不只是“能不能调用工具”，还包括调用次数、上下文长度、GUI/脚本会话选择、日志回传、仿真结果验收和失败后的续跑。
本文以一次 ADS DDR4 自动化仿真实测为线索：第一次流程曾消耗几十美元并运行数小时；随后通过更新 MCP、拆分 Skill、精简返回和阶段检查点，把“能跑”改造成“可控、可复用、可审计”的工程流程。
一、ADS 2027新功能：从“脚本自动化”走向“AI可交互的EDA工作流”
ADS 2027 新功能的一个新亮点，是把 MCP（Model Context Protocol）作为 ADS 与外部 AI 助手之间的标准化连接方式。按照 Keysight 的产品发布说明，ADS MCP Server 可以让 AI 助手连接到正在运行的 ADS 会话，执行 Python 代码并检索 ADS 文档；同时，ADS 2027 还增强了从原理图/版图生成 Python 脚本、Python Macro Recording、Python 文档组织和面向下一代自动化/AI 工作流的 Demo Python PDK。
这几项能力叠加之后，AI 不再只是帮工程师“解释一段 ADS Python”，而是可以参与完整闭环：读取设计状态 → 生成或修改脚本 → 配置仿真 → 启动分析 → 读取数据集 → 生成 Data Display/图片 → 根据结果继续调整。对于 DDR、SerDes、参数扫描、批量建模和自动报告，这种闭环比单次代码补全更有价值。
需要强调的是：MCP 只解决“软件可以被调用”，并不会自动替代工程判断。模型、拓扑、端口、采样窗口、通道文件、仿真收敛和测量口径，仍然需要通过参数约束与结果检查固化下来。
二、第一次用MCP仿真DDR：为什么会花几十美元、跑数小时？
我第一次把 AI、ADS MCP 和 DDR4 Memory Designer 组合起来时，目标是完成一个单 DQ WRITE 流程：控制器 IBIS、接收端 IBIS、两端口 S 参数通道、速率配置、封装 RLC、仿真、DDS 和接收端眼图。流程最终可以得到结果，但代价明显不适合日常工程使用：按这次实际过程记录，模型调用消耗了几十美元，仿真与排错过程持续了数小时。
问题不在于“AI 不会做”，而在于第一次流程把太多不必要的信息和不确定性放进了闭环。一个 EDA 自动化任务同时包含设计对象、脚本、GUI 会话、网表、日志、数据集和图片；如果每一步都把完整内容回显给模型，就会出现“工具调用成功，但上下文越来越重；仿真失败后又从头重复”的现象。
这次 DDR4 案例的验收对象
三、更新后的 ADS MCP：把“会调用”变成“调用得更少、更稳”
针对上面的浪费点，我对 MCP 的设计重点做了调整：把工具输出从“全文搬运”改成“结构化摘要 + 可追溯文件”，把重复操作改成“脚本路径 + 参数”，把长流程改成“阶段检查点”，把软件交互层和 DDR 领域知识层分开。核心原则是：模型只读取当前决策所需的信息，完整证据保留在本地结果文件中。
1. 精简返回：默认给摘要，按需读取完整证据
新版工具默认返回 success、关键结构化字段、产物路径、告警摘要和 result_file；完整 stdout/stderr、脚本快照、网表和日志保存到磁盘。需要追查错误时，再用 read_run_output 按 offset 和 max_chars 分页读取，而不是每次把整份日志重新注入上下文。
2. 脚本路径化：代码放在文件里，调用只传参数
run_ads_python 支持 script_path 和 script_args 后，客户端不必重复上传长脚本。脚本成为可检查、可版本管理、可复用的工程资产；模型只需要决定阶段、输入目录、速率、模型文件和输出目录。对于 DDR 案例，建模、配置、运行、验证和生成 DDS 可以由同一个 Skill 的不同阶段驱动。
3. 运行环境探测与会话复用：先判断，再选择执行模式
ads_doctor 现在不仅用于查找 ADS 安装路径，还会探测 Python、Design Environment API 和 GUI Bridge，并对结果做短时间缓存。无 GUI 的脚本任务优先使用 standalone；只有必须操作已打开的 workspace、读取当前编辑状态或执行 GUI Data Display 操作时，才使用 embedded。这样可以避免每一个小步骤都拉起 ADS 或等待 GUI。
4. 设计、网表和数据集分层检查
更新后的流程增加了 inspect_design、generate_netlist、run_netlist、inspect_dataset 和 read_dataset_dataframe 等分层入口。先用 inspect_design 回读实例、网络和关键参数，再生成网表；仿真后先查看数据集变量元数据，需要具体波形时再读取数值。这样既保留了工程可验证性，又避免模型一上来读取整个数据集。
5. 阶段检查点与可控续跑
execute_steps 可以把任务拆成有序步骤，并显式声明 input_files 与 output_files。系统用输入签名和输出内容哈希判断步骤是否可跳过；失败或上次停在 running 的步骤默认停止，确认部分输出后才允许 retry_failed。这个设计把“自动化”从一串不可回退的动作，变成了可审计的流水线。
6. 独立的 DDR Skill：领域知识不再塞进通用 MCP
MCP 不负责替工程师决定 IBIS 模型、DBI、速率、拓扑或合规口径；这些内容放在独立的 ads-ddr-memory Skill 中。Skill 负责输入清单、模型约束、阶段顺序、验收条件和结果解释；MCP 负责连接 ADS、执行脚本、读写文件和返回结构化结果。分层之后，通用 MCP 可以服务更多 ADS 任务，DDR Skill 也能独立更新。
四、MCP 和 Skill 怎么配合：不要把两者当成同一个东西
一个实用的判断方法是：如果内容回答“这个 DDR 仿真应该怎么做、什么算完成”，它更适合写进 Skill；如果内容回答“如何调用 ADS 的某个 API、如何读取数据集或启动网表”，它更适合写进 MCP；如果内容回答“这次任务的文件在哪里、要改哪个速率”，它应该留在任务参数中。
五、实战使用技巧：如何进一步节省 Token、时间和仿真资源
先写验收条件再写提示词。把“生成眼图”改成“数据集必须本次更新、EyeHeight/EyeWidth 非空、PNG 路径存在”，模型才知道何时停止。
把长内容变成文件引用。脚本、IBIS、S 参数、网表和日志都使用明确路径；对话中只传文件角色、参数和输出位置。
一次只解决一个不确定性。先确认 ADS 会话和 API，再确认设计连接，再运行仿真；不要在同一轮里同时改模型、改拓扑和改测量窗口。
GUI 只做必须做的事。批处理和数据集处理优先 standalone；GUI bridge 用于读取当前会话和需要可视化的操作。
不要把“进程返回 0”当成仿真成功。必须同时检查完成标记、数据集更新时间、非空数据块和关键测量。
失败不盲目重试。先检查锁、日志尾部、输出文件和输入签名；只有确认上一次没有完成或允许续跑时，才重试失败阶段。
把结果和过程一起保存。工程文件、脚本快照、参数 JSON、日志、DDS/PNG 应该进入独立输出目录，方便复盘和复现实验。
跨软件时保持同一套验收思路。ADS 看 dataset/DDS，HSPICE 看退出码/波形/measure，AEDT 看工程设置/S 参数/报告；接口不同，工程闭环相同。
六、案例：ADS 2027 + MCP 完成 DDR4 单 DQ WRITE
下面的案例来自项目中的 ADS DDR4 测试目录。流程以 DQ0 为最小可验证单元，使用控制器 IBIS、接收端 IBIS 和两端口 Touchstone 通道，先完成配置与网表检查，再运行 4096-bit 连续 WRITE，最后从数据集读取眼高/眼宽并生成 DDS 图片。
图 1 ADS 2027 中的 DDR 连接检查界面：确认 Channel 与 Memory 的 DQ0 连接关系
图 1 的意义不在于“截图证明连接成功”，而在于提醒自动化流程必须把连接关系作为显式验收对象。对 AI 来说，RefDes、Pin、Signal ID、Port 和 Ch ID 都是需要回读的结构化字段，不能仅凭界面位置猜测。
图 2 ADS DDR4-3200 DQ0 接收端眼图：EyeHeight = 0.520 V，EyeWidth = 300 ps
图 2 是一次特定模型与测量设置下的结果。它可以用于验证自动化链路是否贯通，但不能单独替代合规测试、BER 评估或系统级结论。工程文章里把“仿真结果”“测量口径”和“适用边界”放在一起，读者才能知道图到底证明了什么。
七、同一门课程还会讲 HSPICE、AEDT 与 AI 的交互
ADS 只是第一个完整案例。在我的《AI4EDA 电路-电磁-系统信号完整性仿真课程》还会把同样的 AI 自动化方法迁移到 HSPICE 与 AEDT：先把软件操作拆成可验证的工具，再用 Skill 组织领域流程，最后由 AI 客户端编排任务。这样学习者学到的不是某一个软件的“快捷指令”，而是一种可以跨 EDA 工具复用的工程方法。
图 3 HSPICE DDR4 DQ0 接收端眼图：展示网表、通道与波形后处理的自动化结果
HSPICE 侧重点是网表、IBIS/S 参数、运行状态、波形文件和后处理；AI 需要学会从日志中提取失败原因，并把参数化网表与结果脚本分开。
AEDT 侧重点是几何、材料、边界、端口、网格、求解设置和 S 参数报告。对于 HFSS/Q2D 等电磁场工具，Skill 必须把单位、坐标、端口和边界写成可检查的输入，而不是让模型凭截图猜设置。
八、边界条件：低 Token 不等于少做验证
低 Token 的目的不是让模型少看证据，而是让证据按决策需要分层读取。工程自动化至少需要四种检查：输入是否正确、动作是否完成、结果是否是本次生成、结果是否符合工程预期。MCP 返回 success 只能覆盖其中很小一部分。
版本与许可证：ADS 2027 的安装、许可证和 API 兼容性必须以 Keysight 官方资料和本地授权为准。
模型与通道：IBIS、Touchstone、封装参数和速率的组合必须记录；不能把一个案例的结果推广到所有链路。
结果有效性：眼高/眼宽、S 参数、阻抗或波形都要结合采样窗口、带宽、模型 corner 和测量位置解释。
可复现性：保留输入文件清单、脚本版本、参数 JSON、运行日志和生成的图片，不覆盖原始工程。
软件使用：本文只讨论合法授权的软件和自动化接口，不提供或鼓励绕过许可证、激活限制或第三方安全机制的做法。
九、结语：AI4ADS 的关键不是“让 AI 替工程师仿真”，而是让流程可控
ADS 2027 的 MCP 是一个重要入口，但真正决定效率的，是入口后面的工程化设计：把工具返回变短，把长脚本变成文件，把模型调用变成阶段，把失败处理变成检查点，把领域经验沉淀成 Skill。这样，AI 才能从“会操作软件”进一步变成“能以可控成本完成一项可验收的仿真任务”。
这也是我即将在仿真秀官网独家推出《AI4EDA 电路-电磁-系统信号完整性仿真课程》的主线：从 Codex/Trae 的基础配置开始，学习 MCP 与 Skill 的组织方式，再通过 ADS、HSPICE、AEDT 等软件案例，完成建模、仿真、结果提取和自动化报告。课程资料与后续更新以作者页面为准。并为学员提供VIP群答疑和全套学习资料。欢迎点击文尾阅读原文或识别下方二维码关注我的仿真秀专栏。
自 AI 驱动工程仿真逐渐走向实践以来，越来越多的工程师开始关注：AI 到底能不能真正接入 EDA 工作流？Codex、Trae、MCP、Skill 这些工具应该怎样配置和使用？电路、电磁和系统信号完整性仿真，又怎样从“人工操作”走向“可执行、可检查、可复用”的自动化流程？
10月22日19时30分，研发仿真开学季第11期《AI4EDA 电路-电磁-系统信号完整性仿真自动化仿真实战》，本期直播不做停留在概念层面的介绍，而是围绕 AI4EDA 的真实工程场景展开，结合 HSPICE、AEDT、ADS 三类工具，分享 AI 工具在 EDA 仿真中的应用方法、基础配置和自动化实践。请识别下方二维码报名观看和回放。
资料来源与项目证据
[1] Keysight：ADS 2027 Product Release
[2] Keysight：Advanced Design System (ADS) Software
[3] ADS 2027 功能参考文章（用户指定）
