Leitfaden zu Agentic AI mit MATLAB und Simulink

Einführung: Agentic AI mit MATLAB und Simulink

Generative KI verändert weiterhin die Art und Weise, wie wir mit Computern interagieren. Die Anforderung an ein großes Sprachmodell (LLM), ein technisches Problem zu lösen, bedeutete früher, Code hin und her zu kopieren, Fehler manuell zu beheben und zu hoffen, dass die KI Ihr Fachgebiet versteht. Größere Wirkung erzielen KI-Systeme, die eigenständig denken, handeln und MATLAB- sowie Simulink-Workflows ausführen können. Agentic AI ermöglicht diesen Wandel.

Dieser Leitfaden zeigt Ihnen, wie Sie KI-Systeme entwickeln, die Lösungen anbieten und diese umsetzen. Durch die Verbindung von LLMs mit MATLAB und Simulink über das Model Context Protocol (MCP) und die neuen agentischen Toolkits können Sie KI-Agenten erstellen, die Code schreiben, Modelle erstellen, Simulationen durchführen, Ergebnisse analysieren und iterativ arbeiten, bis die Aufgabe abgeschlossen ist.

Vom Chat zur Tat: Warum Agentic AI?

Wenn Sie ChatGPT^® oder Claude^® zur Unterstützung bei MATLAB Programmcode verwendet haben, kennen Sie das Vorgehen: Sie stellen eine Frage, erhalten einen Code, fügen ihn in MATLAB ein, stoßen auf einen Fehler, kehren zum Chat zurück, erklären den Fehler, erhalten neuen Code und wiederholen den Vorgang. Es funktioniert, aber es ist langsam und frustrierend.

Agentic AI schließt diese Schleife.

Vier Fähigkeiten, die einen Chatbot zu einem Kollegen machen

Nicht-agentische KI ist wie ein Berater, der Berichte verfasst. Agentic AI ist wie ein Kollege, der die Arbeit erledigt. Die KI löst das Problem, zeigt Ihnen die Ergebnisse und fragt, ob Sie Änderungen wünschen.

Warum MATLAB und Simulink mit Agentic AI kombinieren?

MATLAB und Simulink sind für Agentic AI in Ingenieurwesen und Wissenschaft von einzigartigem Wert, da sie Folgendes bieten:

• Model-Based Design: Entwickeln, simulieren und testen Sie komplexe Systeme vor der Implementierung.
• Simulationsfähigkeiten: Verbinden Sie sich mit Simulink für Systemtests und Verifikation auf Systemebene.
• Fachwissen: Es stehen mehr als 100 Toolboxen für Signalverarbeitung, Regelung, Deep Learning und weitere Bereiche zur Verfügung.
• Professionelle Werkzeuge: Fähigkeiten zur Codeanalyse, Visualisierung und Bereitstellung sind integriert.
• Zuverlässige Berechnung: Große Sprachmodelle (LLMs) erzeugen mathematische Fehler; MATLAB berechnet sie korrekt.

Verständnis des Model Context Protocol

Damit ein LLM MATLAB verwenden kann, benötigt es eine Möglichkeit, verfügbare Werkzeuge zu entdecken, diese mit den richtigen Parametern aufzurufen und Ergebnisse zu erhalten. Das MCP liefert genau dies: ein standardisiertes Framework für die Interaktion zwischen KI und Werkzeugen. Betrachten Sie MCP als einen USB-C-Anschluss für KI. So wie USB-C es jedem Gerät ermöglicht, sich mit jedem Peripheriegerät zu verbinden, ermöglicht MCP jedem KI-Modell die Verbindung mit jedem Werkzeug, einschließlich MATLAB und Simulink.

Der MCP-Server übersetzt zwischen KI-Anfragen und der Ausführung von MATLAB. Der AI-Agent entscheidet, was zu tun ist – MATLAB übernimmt die Berechnung.

Installation

Laden Sie den MATLAB MCP Core Server von GitHub herunter:

# Klonen des Repository
git clone https://github.com/matlab/matlab-mcp-core-server

# Befolgen der Einrichtungshinweise für Ihren KI-Client
# (Claude Desktop, VS Code mit Copilot, Gemini CLI usw.)

Der MCP Core Server stellt die grundlegende Verbindung bereit; das Simulink Agentic Toolkit erweitert diese um modellbezogene Funktionen. Sowohl das MATLAB Agentic Toolkit als auch das Simulink Agentic Toolkit basieren auf diesem Protokoll.

MATLAB Agentic Toolkit

Das MATLAB Agentic Toolkit ist ein kostenloses, quelloffenes Paket auf GitHub, das den KI-Codieragenten Expertenwissen über MATLAB sowie eine Live-Verbindung zu einer lokalen MATLAB-Sitzung bietet. Das Toolkit kombiniert zwei Komponenten: MATLAB MCP Core Server und eine kuratierte Auswahl an Agenten-Skills.

Zwei Komponenten: MCP Core Server und Agenten-Skills

MATLAB MCP Core Server

Der MCP Core Server gewährt jedem MCP-kompatiblen Agenten direkten Zugriff auf MATLAB, das auf Ihrem Rechner ausgeführt wird. Der Server stellt fünf integrierte Werkzeuge zur Verfügung:

Der Server stellt außerdem zwei MCP-Ressourcen bereit, die als Dokumentation speziell für KI-Systeme dienen, die mithilfe des MCP-Servers arbeiten. Die Ressource matlab_coding_guidelines vermittelt der KI gute MATLAB-Codierpraktiken, während die plain_text_live_code_guidelines der KI erklären, wie man Live-Skripte im Klartext erstellt. Der KI-Agent verweist bei Bedarf automatisch auf diese Ressourcen.

Agenten-Skills

Agenten-Skills sind Markdown-basierte Anleitungsdateien, die KI-Agenten ingenieurtechnische Praktiken speziell für MATLAB vermitteln. Sie sind keine Code-Bibliotheken. Vielmehr sind es strukturierte Eingabeaufforderungen, die das Verhalten des Agenten steuern.

Skills können explizit aufgerufen werden (zum Beispiel /creating-live-scripts in Claude Code) oder passiv aktiviert werden, wenn der Agent eine relevante Aufgabe erkennt.

Agenten-Skills vermitteln KI-Agenten detailliertes Wissen, das sie nicht im Rahmen ihrer Ausbildung erlernt haben. Diese Skills ermöglichen es dem KI-Agenten, tiefgehende wissenschaftliche und technische Probleme schneller, fehlerresistenter und kosteneffizienter zu lösen.

Die vom Agenten bereitgestellten Skills entwickeln sich schnell weiter. Sie können die derzeit verfügbaren Skills im Skill-Katalog finden.

Installation und Konfiguration

Voraussetzungen:

• MATLAB R2020b oder neuer
• Ein unterstützter KI-Codier-Agent
• Git

Der agentische Workflow in Aktion

Sobald das Toolkit aktiviert ist, kann der Agent MATLAB Programmcode lesen, schreiben, ausführen, testen und analysieren, ohne kopieren und einfügen zu müssen. Ein typischer Workflow:

1. Sie beschreiben eine Aufgabe in natürlicher Sprache.
2. Der Agent schreibt MATLAB Programmcode mithilfe seines Wissens über MATLAB-Konventionen (informiert durch Skills und Anleitungen zum Codieren).
3. Der Agent führt den Code über den MCP-Server aus und liest die Ergebnisse.
4. Wenn etwas fehlschlägt, debuggt der Agent, nimmt Änderungen vor und führt den Vorgang erneut aus, wobei er iterativ vorgeht, bis die Aufgabe abgeschlossen ist.
5. Sie überprüfen das Endergebnis.

Strukturierter Workflow: Erforschung, Planung, Umsetzung (RPI)

Für größere Projekte eignet sich ein strukturierter Ansatz:

• Erforschung: Der Agent erstellt ein Produktanforderungsdokument (PRD) basierend auf Ihrer Eingabe. Sie iterieren mit klärenden Fragen und Referenzmaterialien.
• Plan: Der Agent erstellt eine PLAN.md und eine phasenweise TASKS.md, die den Implementierungsansatz Schritt für Schritt darlegen.
• Implementieren: Führen Sie die Aufgaben phasenweise aus und halten Sie dabei an, um gegebenenfalls Korrekturen vorzunehmen, bevor Sie fortfahren.

Dieser strukturierte Ansatz verwandelt agentisches Codieren von unvorhersehbar in kontrollierbar. Planungsdokumente verankern das Verhalten des Agenten über lange Sitzungen hinweg und verhindern ein Abdriften des Kontexts.

Das Toolkit funktioniert mit jedem Agent, der MCP unterstützt, einschließlich Claude Code, GitHub Copilot^® und OpenAI Codex™. Die Konfiguration ist agentspezifisch, folgt jedoch demselben Muster: Richten Sie die MCP-Einstellungen des Agents auf den MATLAB MCP Core Server aus. Das Einrichtungs-Skill automatisiert dies für jede unterstützte Plattform.

Simulink Agentic Toolkit

Das Simulink Agentic Toolkit erweitert das Ökosystem der Agentic AI in das Model-Based Design. Während das MATLAB Agentic Toolkit Agenten den Zugriff auf die Codeausführung ermöglicht, bietet das Simulink Agentic Toolkit Agenten strukturierten Zugriff auf Simulink-Modelle, einschließlich deren Architektur, Signale, Parameter und Simulationsverhalten.

Das Simulink Agentic Toolkit ist ein GitHub-Repository, das auf dem MATLAB MCP Core Server aufbaut. Das Toolkit fügt MCP-Werkzeuge und Agenten-Skills hinzu, die spezifisch für Simulink und Model-Based Design sind.

Simulink MCP-Werkzeuge und Agenten-Skills

Zusätzlich zu den im MATLAB MCP Core Server verfügbaren Werkzeugen fügt das Toolkit spezifische Werkzeuge für Simulink hinzu, um die Modellstruktur zu lesen, Blöcke und Verbindungen zu bearbeiten, Parameter abzufragen und Simulationen durchzuführen. Die speziellen Werkzeuge unterstützen einen Agenten dabei, die Hierarchie eines Modells zu durchlaufen, seine Anforderungen zu überprüfen und gezielte Änderungen vorzunehmen.

Die Skills des Toolkits verwenden diese Werkzeuge, um empfohlene Workflows für gängige Aufgaben mithilfe von Model-Based Design durchzuführen. Jede Skill erfasst genügend technischen Kontext, sodass der Agent bewährten Mustern für die Aufgabe folgt, anstatt den Workflow jedes Mal von Grund auf neu zu erarbeiten.

Das Simulink Agentic Toolkit wird regelmäßig aktualisiert. Für die aktuelle Liste der Werkzeuge und Skills siehe das GitHub-Repository.

Anforderungsmanagement mit KI-Agenten

Einer der stärksten Anwendungsfälle des Toolkits ist das Anforderungsmanagement. Ein KI-Agent kann:

• Anforderungen aus natürlichen Sprachbeschreibungen oder vorhandener Dokumentation entwerfen
• Jede Anforderung mit den Modellelementen, die sie umsetzen, verknüpfen
• Die Rückverfolgbarkeit beibehalten, während sich die Entwürfe weiterentwickeln
• Rückverfolgbarkeitsmatrizen, die Abdeckungsdefizite aufzeigen, erstellen.

Diese Fähigkeiten verringern die manuelle Dokumentationslast, die Projekte häufig verlangsamt. Der Agent schlägt vor; der Ingenieur überprüft und genehmigt.

Entwurfsimplementierung

Agenten können bestehende Modelle modifizieren oder neue Systeme anhand von Spezifikationen erstellen. Unterstützte Modelltypen umfassen:

• Simulink-Blockdiagramme (Standard-Signalflussmodelle)
• Stateflow-Diagramme (Zustandsmaschinen und Entscheidungslogik)
• Simscape-Modelle (physikalische Systeme: thermisch, elektrisch, mechanisch, hydraulisch)
• System Composer-Architekturen (Systemebenen-Architekturmodelle)

Der empfohlene Workflow folgt einem fünfstufigen Zyklus:

Simulation, Testen und Verifikation

Das Toolkit unterstützt den vollständigen Verifikationszyklus:

• Durchführung von Simulationen, einschließlich Konfigurationsmanagement und paralleler Ausführung
• Reproduktion gemeldeter Probleme durch Erstellung von Testfällen und Isolierung der Ursachen
• Tests mithilfe von Simulink Test schreiben
• Vorschlagen von Korrekturen und erneutes Durchführen des Tests zur Verifikation

Ingenieure konzentrieren sich auf die Interpretation der Ergebnisse und nicht auf die Verwaltung der Einrichtung.

Model-Based Systems Engineering (MBSE)

Für Teams, die die MBSE-Methodik anwenden, unterstützt das Toolkit das vollständige RFLP-Framework: Anforderungen, funktional, logisch und physisch.

Mithilfe des Simulink Agentic Toolkits zusammen mit System Composer und Requirements Toolbox kann ein Agent Folgendes liefern:

• Erstellen und Verwalten von Anforderungen, die mit Architekturelementen verknüpft sind
• Erstellen der funktionalen, logischen und physischen Architekturmodelle
• Generieren der Schnittstellen-Dictionaries und Stereotypen
• Erstellen der analytischen Ansichten und Allokationssätze

Das Ziel ist das Rapid Prototyping von initialen Systemartefakten, um die Arbeitskraft der Ingenieure für substanzielles Problemlösen anstelle von standardmäßiger Einrichtung freizusetzen.

Ingenieure auf dem Laufenden halten

Das Simulink Agentic Toolkit ist auf menschliche Überwachung ausgelegt. Jede Fähigkeit folgt demselben Prinzip: Der Agent schlägt vor, der Ingenieur entscheidet.

Erstellung effektiver KI-Agenten

Sie können Agenten mithilfe von MATLAB Programmcode mit LLMs mit MATLAB und MATLAB MCP HTTP Client erstellen. Die Agenten stellen MATLAB-Funktionen zur Verfügung, um eine Verbindung zu LLMs (zum Beispiel OpenAI-kompatible APIs oder Modelle auf Ollama™) herzustellen und externe MCP-Tools aufzurufen. Es gibt mehrere Muster zur Implementierung von agentischen Workflows.

Muster 1: ReAct (Überlegen + Handeln)

Das gebräuchlichste Agentenmuster wechselt zwischen Nachdenken und Handeln. Das LLM überlegt, was als Nächstes zu tun ist, ergreift eine Maßnahme, beobachtet das Ergebnis und wiederholt den Vorgang.

% ReAct loop pattern 
while ~taskComplete 
    % Thought: LLM reasons about next step 
    thought = generate(chat, [context, "What should I do next?"]); 
     
    % Action: Execute tool if needed 
    if needsTool(thought) 
        result = executeTool(thought.tool_call); 
        context = [context; result]; 
    end 
     
    % Observation: Update state based on results 
    taskComplete = checkCompletion(context); 
end 

Muster 2: Werkzeugverkettung

Komplexe Aufgaben erfordern den sequenziellen Einsatz mehrerer Werkzeuge. Die Ausgabe des einen wird zum Eingang des nächsten:

Muster 3: Der Mensch bleibt im Spiel

Für sicherheitskritische Anwendungen fügen Sie Genehmigungsschritte hinzu:

% Mensch-in-der-Schleife-Muster 
proposedAction = generate(chat, query); 
 
% Vorgeschlagene Maßnahme zur Genehmigung anzeigen 
fprintf("Proposed: %s\n", proposedAction.description); 
approval = input("Approve? (y/n): ", "s"); 
 
if strcmp(approval, "y") 
    result = executeAction(proposedAction); 
else 
    disp("Action cancelled."); 
end 

Praktische Anleitung

Mehrere Richtlinien dienen als Schlüssel zur Gewährleistung zuverlässiger Agenten:

• Beginnen Sie einfach: Ein einzelnes Werkzeug sollte funktionieren, bevor Sie komplexe Ketten erstellen.
• Fügen Sie Beobachtbarkeit hinzu: Protokollieren Sie jeden LLM-Aufruf und jede Werkzeugausführung; Sie werden dies für die Fehlerbehebung benötigen.
• Fehler elegant behandeln: LLMs machen Fehler; implementieren Sie eine Wiederholungslogik mit exponentiellen Backoff-Algorithmen.
• Setzen Sie Grenzen: Begrenzen Sie Iterationen, Token-Budgets und die Werkzeuge, auf die ein Agent zugreifen kann.
• Testen Sie adversariell: Testen Sie absichtlich Grenzfälle, um Ihren Agenten zum Fehlschlagen zu bringen, bevor er die Anwender erreicht.