如何创建一个驱动Fluent仿真的AI Skill

前阵子聊到说利用AI借助pyFluent驱动Fluent自动仿真的事情。最近利用集中对原有的skill进行了一波修订，现在对于常规的流动传热问题，基本可以持续稳定地做到首次成功。不过对于一些复杂的仿真（如涉及到多相流、燃烧、流固耦合等）问题，目前还没有经过调试，处理起来表现还是不太好。

目前skill的大体结构如下图所示。

上次文章中有道友问skill能否分享的问题，我个人觉得吧，现在AI年代了，能用AI解决的问题，直接找AI就可以了。当然找AI还是有点技巧的，今天就简单聊聊这种Skill要怎么搞。

首先明确一点，Skills是一组文件集合，用于辅助AI解决某些特定问题的。你可以skill将其想象成一份操作说明书。这份说明书应该包含哪些内容？个人觉得至少包含两部分内容：

1. 基本操作流程。需要写清楚做好这个工作，每一步要实现什么目的，具体怎么做。当然也可以写为什么要这么做。
2. 故障排查。对于工作实现过程中遇到的一些小问题，应该怎么排查怎么处理。

比如上图所示的skill结构：

• 主文件 SKILL.md，该文件中写明了进行仿真的五个步骤：环境检查、输入参数确认、生成pyFluent代码、代码运行及调试、清理扫尾工作。
• references文件夹：其中放置了一些特殊问题的处理方式。可以将其理解为一些小技巧，比如udf编译及加载、自然对流仿真、非牛顿流体设置等
• scripts文件夹：其中放置流程操作中可以使用的脚本程序。对于一些可以用程序完成的操作，最好不要使用AI。使用脚本程序是增强skill确定性以及降低token使用量的一种主要方式。

如此复杂的文件系统，使用人工挨个去编辑虽然可选，但显然工作量巨大。AI时代，自然而然想到的是利用AI帮助我们去生成。事实上这个Skill也确实是利用AI生成的，人工没有写过一个字。具体怎么做呢？

首先需要准备一份流程草稿。其中主要描述一些基本信息，不需要非常精细，但最好保证具有逻辑性。后面可以利用AI进行扩充。

有了初始文件后，就可以利用AI进行skill创建了。直接将文件扔给AI，让它创建一个skill即可。

创建了skill之后，事情才刚刚开始，因为我们只是给了个基本流程，AI在创建pyFluent过程中依然会出现各种不确定性的问题，此时就需要进行下一步工作：调试。

最简单的调试方法无异于利用生成的skill完成各种任务，然后让AI自己总结在处理任务过程中的解决办法，并将解决办法沉淀为流程存储在skill中，这样下次碰到相同或相似的问题，AI就知道怎么去解决了。

这时候最好是找一些标准算例，让AI利用skill来处理。此阶段非常消耗token，因为当skill不成熟时，纯粹依赖大模型自身的能力来生成pyfluent代码，经常会出错。出错了之后就会进行各种胡思乱想和翻箱倒柜，通常一个算例花费几百万token都是常有的事情。不过这阶段是必须经过的，当各种案例文件都能够成功生成代码，并总结沉淀成标准流程之后，再使用skill就非常省token了。

另外需要注意的是，需要经常性的对skill进行维护，维护方式包括利用性能更好的AI进行清理，以及人工处理。调试过程中token使用量过大，因此经常使用一些便宜模型进行处理，在沉淀的过程中容易搞坏原有的skill结构，所以经常性地人工梳理比较重要。当然在人工梳理之前，利用一些智商比较高的模型进行诊断是必不可少的工作。

懒得写了，其实创建skill是割苦活儿，费时费劲还费钱。

河里蟹，才发现opencode的ox alpha模型没有了，鹅厂的hy3无限量也快要到期了。

”

(完）