Tidy3D 與 AI 結合完整指南：FlexAgent MCP 如何革新光子模擬工作流程 Tidy3D 與 AI 結合

TL;DR
Tidy3D 整合 AI 技術後，工程師可透過自然語言直接操控 FDTD 模擬，無需逐行撰寫 Python 程式。核心工具 FlexAgent MCP 專為光子模擬設計，能在 Cursor 與 VS Code 中提供物理感知輔助，大幅降低學習門檻並加快設計迭代速度。本文說明 FlexAgent MCP 的運作原理、安裝方式、核心功能及實際應用場景。

Tidy3D 與 AI 結合是什麼？FlexAgent MCP 核心概念

Tidy3D 與 AI 結合，是指透過 FlexAgent MCP（模型上下文協議伺服器，Model Context Protocol Server）將大型語言模型的自然語言能力，直接接入 Tidy3D 的 FDTD（時域有限差分法）電磁模擬引擎，讓使用者能以對話方式完成從模型建立、參數設定到結果分析的完整工作流程。

傳統 Tidy3D 操作需要使用者熟悉 Python API，手動定義結構幾何、邊界條件（如 PML，完美匹配層）、光源類型與監測器。而 FlexAgent MCP 將這些操作封裝為 AI 可理解的指令集，並整合即時的官方文件與範例庫，讓 AI 助理能夠在上下文中精準地生成符合規範的程式碼，而非僅靠訓練資料中的舊版 API 猜測語法。

FlexAgent MCP 的三個核心定位：

學習輔助：初學者可直接詢問電磁概念，AI 同步解釋原理與操作
設計加速：進階工程師可口語化地修改模擬設定，減少重複性程式撰寫
除錯協助：AI 能辨識常見錯誤（如邊界反射、網格解析度不足）並提出排查步驟

為什麼一般 AI 工具無法直接用於 Tidy3D 模擬？

許多工程師曾嘗試用 ChatGPT 或 GitHub Copilot 生成 Tidy3D 模擬程式碼，卻發現結果雖能執行，卻無法貼近實際需求。原因在於以下三個根本限制：

1. API 版本落差
Tidy3D 的 Python API 持續演進。一般 AI 的訓練資料有截止日期，生成的語法往往對應舊版，導致執行時出現棄用警告甚至錯誤。

2. 缺乏物理語境
要寫出正確的模擬設定，需要同時理解電磁物理（如 CFL 穩定條件、Yee 格配置）與 API 用法。一般語言模型只有語法知識，缺少物理判斷能力，容易產生「能跑但結果不正確」的程式碼。

3. 無法整合最新文件
Tidy3D 提供豐富的範例庫與 API 文件，但這些內容並非為 AI 訓練設計，一般工具無法即時存取並引用。FlexAgent MCP 透過 MCP 協議直連 Tidy3D 文件庫，確保每次回應都基於最新、最正確的資訊。

比較項目	一般 AI（ChatGPT / Copilot）	FlexAgent MCP
API 版本	訓練截止日期的舊版	即時連接最新文件
物理理解	僅語法層面	電磁物理感知
文件存取	無法即時查詢	直連官方文件庫
3D 視覺化	不支援	整合 IDE 內 3D Viewer
工作流程支援	片段程式碼	從設計到分析的完整流程

FlexAgent MCP 四大核心功能詳解

FlexAgent MCP 是 Tidy3D 官方開發的物理感知 AI 伺服器，整合於 Cursor 和 VS Code 編輯器擴充套件中，提供以下四大功能模組：

1. 自然語言模擬設定

使用者可以用中英文口語描述需求，FlexAgent 自動生成對應的 Tidy3D Python 程式碼。例如，輸入「在位置 (-4, 0, 0) 加入一個模態光源，以 1.55 µm 波長激發基模 TE 模態」，FlexAgent 會自動生成正確的 ModeSource 物件定義，並說明各參數意義。

2. IDE 內建 3D Viewer（即時視覺化）

Tidy3D 擴充套件在 VS Code 或 Cursor 中開啟互動式 3D 檢視器，與程式碼視窗並排顯示。使用者修改結構尺寸時，3D 幾何即時同步更新，無需切換至外部工具確認。AI 助理可直接操控 3D 場景，旋轉視角並標示問題區域，輔助解釋模擬設定。

3. 結果解讀與後處理

模擬完成後，使用者可要求 FlexAgent 自動繪製電場（E field）分布圖、透射光譜（Transmission Spectrum），或計算特定模態的品質因子（Quality Factor, Q）。相較於手動撰寫 matplotlib 繪圖程式碼，此流程大幅節省後處理時間。

4. 收斂測試與成本估算

FlexAgent 可引導使用者執行網格收斂測試（Convergence Test），逐步調整每波長網格數（Grids per Wavelength），確認模擬精度後再提交雲端運算，避免浪費運算點數。成本估算功能則在正式提交前預測所需資源，適合需要控制預算的學術或工業用戶。

如何在 Cursor 與 VS Code 中啟動 Tidy3D AI 輔助模擬

以下為在 Cursor 中設定 FlexAgent MCP 的步驟流程：

前置需求：

Python 環境（建議使用 conda 或 venv）
已安裝 uv（Python 套件管理工具）
Tidy3D 帳號與 API 金鑰（可免費申請）

設定步驟：

安裝 Cursor 或 VS Code 的 Tidy3D 擴充套件（搜尋 Flexcompute.tidy3d）

在專案根目錄建立 .cursor/mcp.json，填入以下設定：

{
  "mcpServers": {
    "tidy3d": {
      "command": "uvx",
      "args": ["tidy3d-mcp", "--api-key", "YOUR_TIDY3D_API_KEY"]
    }
  }
}

執行 Tidy3D: Run Tidy3D Workspace Setup 指令，自動部署 FlexAgent 規則
在 AI 對話框明確引用規則：「Follow the FlexAgent rules in flexagent.mdc for all responses.」
開啟任意 Tidy3D Python 腳本，3D Viewer 自動偵測並啟動

技術支援提示： 設定過程如遇到 API 金鑰驗證或擴充套件衝突問題，歡迎聯繫艾萊特科技技術支援團隊，我們提供在地化的繁體中文技術諮詢服務。

實際應用場景：AI 輔助矽光子波導模態分析

矽光子（Silicon Photonics）波導模態分析是 Tidy3D 最常見的應用之一。以下以 SOI 條形波導（SOI Strip Waveguide）的模態分析為例，說明 FlexAgent MCP 如何改變工作流程。

傳統流程（需要約 30–60 分鐘）：
手動撰寫 Python 程式碼定義波導截面幾何（寬度、高度、包覆材料），設定 ModeSolver 物件，指定模態序號（mode_index = 0 為基模 TE 模態），提交至雲端，下載結果後撰寫繪圖程式碼，逐步確認有效折射率（Effective Index, n_eff）與模態場分佈（Mode Profile）。

FlexAgent MCP 輔助流程（約 5–10 分鐘）：

以自然語言描述：「建立一個 220 nm 高、500 nm 寬的矽波導，包覆層為 SiO₂，分析 1.55 µm 下的基模 TE 模態」
FlexAgent 自動生成完整 ModeSolver 設定程式碼，並在 3D Viewer 中即時顯示波導幾何
提交模擬後，要求：「繪製 Ex 分量的模態場分佈，並標示 n_eff 數值」
FlexAgent 自動完成後處理並解釋結果

此流程特別適合以下兩類用戶：

研究生與學生：首次接觸矽光子模擬，可在 AI 引導下理解每個參數的物理意義
產業工程師：需要快速掃描多組波導尺寸，利用批次模擬（Batch Simulation）結合 FlexAgent 大幅縮短設計週期

與 PhotonForge 整合：從元件到晶片的完整設計鏈

Tidy3D 與 AI 的結合不僅止於單一元件模擬。Flexcompute 的 PhotonForge 平台支援光子積體電路（Photonic Integrated Circuit, PIC）版圖設計，可與 Tidy3D 的 FDTD 求解器及 EME 求解器無縫串接。FlexAgent MCP 在此生態系中扮演智慧協調者角色，協助工程師在設計鏈中的任一環節提出修改建議，並即時估算模擬成本，確保大規模晶片設計的計算資源能有效分配。詳見艾萊特科技 Tidy3D 產品頁面了解完整台灣代理服務。