Guía de IA con agentes para MATLAB y Simulink

Introducción: IA con agentes para MATLAB y Simulink

La IA generativa continúa evolucionando la forma en que interactuamos con equipos informáticos. Solicitar a un LLM que resuelva un problema de ingeniería solía implicar copiar y pegar código, corregir errores manualmente y esperar que la IA comprendiera el dominio. Los sistemas de IA que pueden razonar, actuar y ejecutar flujos de trabajo de MATLAB y Simulink de manera autónoma generan un mayor impacto. La IA con agentes permite lograrlo.

Esta guía muestra cómo crear sistemas de IA que ofrecen soluciones y las ejecutan. Puede conectar un LLM a MATLAB y Simulink a través de Model Context Protocol (MCP) y los nuevos conjuntos de herramientas asistidos por agentes. Esto permite crear agentes de IA capaces de escribir código, crear modelos, ejecutar simulaciones, analizar resultados y realizar iteraciones hasta completar la tarea.

Del chat a la acción: Por qué usar IA con agentes

Si ha usado ChatGPT^® o Claude^® para obtener ayuda con código de MATLAB, ya sabe cómo funcionan: hace una pregunta, obtiene código, lo pega en MATLAB, encuentra un error, vuelve al chat, explica el error, obtiene código nuevo y repite el proceso. Funciona bien, pero es lento y frustrante.

La IA con agentes resuelve este problema.

Características que convierten a un chatbot en su colega

La IA sin agentes funciona como un consultor que genera informes. La IA con agentes funciona como un colega que realiza tareas. La IA resuelve problemas, muestra resultados y pregunta si desea realizar cambios.

Por qué combinar MATLAB, Simulink y IA con agentes

MATLAB y Simulink son excepcionalmente valiosos para la IA con agentes en ingeniería y ciencias porque ofrecen:

• Diseño basado en modelos: Permite crear, simular y probar sistemas complejos antes de desplegarlos
• Prestaciones de simulación: Se integra con Simulink para realizar pruebas y verificaciones en nivel de sistema
• Conocimiento especializado: Ofrece más de 100 toolboxes para procesamiento de señales, control, Deep Learning y mucho más
• Herramientas profesionales: Incluye funciones integradas de análisis, visualización y despliegue de código
• Cálculo fiable: Los LLM alucinan con matemática. MATLAB realiza cálculos correctamente.

Model Context Protocol

Para que un LLM pueda usar MATLAB, necesita descubrir qué herramientas están disponibles, llamarlas con los parámetros correctos y recibir los resultados. MCP ofrece exactamente esto: un marco estándar para la interacción de IA con herramientas. Piense en MCP como un puerto USB-C para IA: así como USB-C permite que cualquier dispositivo se conecte a cualquier periférico, MCP permite que cualquier modelo de IA se conecte a cualquier herramienta, incluidos MATLAB y Simulink.

El servidor MCP realiza la traducción entre las solicitudes de IA y la ejecución de MATLAB. El agente de IA decide qué hacer. MATLAB realiza el cálculo.

Instalación

Descargue MATLAB MCP Core Server desde GitHub:

# Clone the repository
git clone https://github.com/matlab/matlab-mcp-core-server

# Follow setup instructions for your AI client
# (Claude Desktop, VS Code with Copilot, Gemini CLI, etc.)

MCP Core Server proporciona la conexión básica. Simulink Agentic Toolkit la amplía con funcionalidades específicas para trabajar con modelos. Tanto MATLAB Agentic Toolkit como Simulink Agentic Toolkit sirven de base a este protocolo.

MATLAB Agentic Toolkit

MATLAB Agentic Toolkit es un paquete gratuito y de código abierto disponible en GitHub que proporciona a los agentes de codificación con IA conocimiento especializado de MATLAB y una conexión activa a una sesión local de MATLAB. El conjunto de herramientas combina dos componentes: MATLAB MCP Core Server y un conjunto de skills de agentes especialmente seleccionado.

Componentes de apps: MCP Core Server y skills de agentes

MATLAB MCP Core Server

MCP Core Server proporciona a cualquier agente compatible con MCP acceso directo a MATLAB que se ejecuta en su equipo. El servidor ofrece cinco herramientas integradas:

El servidor también proporciona dos recursos MCP que funcionan como documentación especialmente seleccionada para sistemas de IA que utilizan el servidor MCP. El recurso matlab_coding_guidelines enseña a la IA prácticas recomendadas de codificación en MATLAB. plain_text_live_code_guidelines explica cómo generar scripts en vivo de texto plano. El agente de IA referencia automáticamente estos recursos cuando es necesario.

Skills de agentes

Las skills de agentes son archivos de instrucciones basados en Markdown que enseñan a los agentes de IA prácticas de ingeniería específicas de MATLAB. No son librerías de código, sino prompts estructurados que guían el comportamiento del agente.

Se pueden invocar explícitamente (por ejemplo, con /creating-live-scripts en Claude Code) o activar de forma pasiva cuando el agente reconoce una tarea pertinente.

Las skills de agentes proporcionan a los agentes de IA conocimientos detallados que no han aprendido como parte de su entrenamiento. Permiten al agente de IA resolver problemas complejos de ciencias e ingeniería de manera más rápida, robusta y económica.

Las skills proporcionadas por el conjunto de herramientas para agentes están evolucionando rápidamente. Puede encontrar las skills disponibles en el catálogo de skills

Instalación y configuración

Requisitos:

• MATLAB R2020b o posterior
• Agente de codificación con IA compatible
• Git

Flujo de trabajo con agentes

Una vez que el conjunto de herramientas está activo, el agente puede leer, escribir, ejecutar, probar y analizar código de MATLAB sin necesidad de copiar y pegar. Flujo de trabajo típico:

1. El usuario describe una tarea en lenguaje natural.
2. El agente escribe código de MATLAB utilizando su conocimiento de las convenciones de MATLAB (basadas en skills y directrices de codificación).
3. El agente ejecuta código a través del servidor MCP y lee los resultados.
4. Si se produce un error, el agente depura, modifica y vuelve a ejecutar, iterando hasta que la tarea esté concluida.
5. El usuario revisa los resultados finales.

Flujo de trabajo estructurado: Investigar, Planificar, Implementar (RPI)

Para proyectos más amplios, un enfoque estructurado funciona mejor:

• Investigar: El agente genera un documento de requisitos del producto (PRD) a partir de un prompt. El usuario itera mediante preguntas y material de referencia.
• Planificar: El agente genera un plan, PLAN.md y una tarea TASKS.md, detallando el enfoque de implementación paso a paso.
• Implementar: Las tareas se ejecutan paso a paso, haciendo una pausa para corregir el rumbo antes de continuar.

Este enfoque estructurado transforma la codificación con agentes de impredecible a controlable. Los documentos de planificación evitan la pérdida de contexto y mantienen alineado el comportamiento del agente a lo largo de sesiones prolongadas.

El conjunto de herramientas funciona con cualquier agente que admite MCP, como Claude Code, GitHub Copilot^® y OpenAI Codex™. La configuración es específica para cada agente, pero sigue el mismo patrón: apuntar la configuración MCP del agente a MATLAB MCP Core Server. La skill de configuración automatiza este proceso en cada plataforma compatible.

Simulink Agentic Toolkit

Simulink Agentic Toolkit incorpora la IA con agentes al diseño basado en modelos. Mientras que MATLAB Agentic Toolkit proporciona a los agentes acceso a la ejecución de código, Simulink Agentic Toolkit proporciona a los agentes acceso estructurado a los modelos de Simulink, su arquitectura, señales, parámetros y comportamiento de simulación.

Simulink Agentic Toolkit es un repositorio de GitHub que se basa en MATLAB MCP Core Server. El conjunto de herramientas añade herramientas de MCP y skills de agentes específicas para Simulink y el diseño basado en modelos.

Herramientas de MCP de Simulink y skills de agentes

Además de las herramientas disponibles en MATLAB MCP Core Server, el conjunto de herramientas añade herramientas específicas de Simulink para leer la estructura del modelo, editar bloques y conexiones, realizar consultas de parámetros y ejecutar simulaciones. Las herramientas específicas ayudan a un agente a examinar la jerarquía de un modelo, inspeccionar los elementos necesarios y realizar modificaciones específicas.

Las skills del conjunto de herramientas utilizan esas herramientas para ejecutar flujos de trabajo recomendados para tareas comunes utilizando el diseño basado en modelos. Cada skill incorpora suficiente contexto de ingeniería para que el agente siga patrones establecidos para la tarea en lugar de establecer el flujo de trabajo desde cero cada vez.

Simulink Agentic Toolkit se actualiza de forma regular. Para obtener una lista actualizada de herramientas y skills, consulte el repositorio de GitHub.

Gestión de requisitos con agentes de IA

Uno de los principales usos del conjunto de herramientas es la ingeniería de requisitos. Un agente de IA puede:

• Redactar requisitos preliminares a partir de descripciones en lenguaje natural o documentación existente
• Vincular cada requisito con elementos del modelo que lo implementan
• Mantener la trazabilidad a medida que los diseños evolucionan
• Generar matrices de trazabilidad que pongan de manifiesto las deficiencias de cobertura

Estas prestaciones reducen la carga de documentación manual que a menudo ralentiza los proyectos. El agente propone; el ingeniero revisa y aprueba.

Implementación de diseños

Los agentes pueden modificar modelos existentes o crear nuevos sistemas a partir de especificaciones. Los tipos de modelos admitidos son:

• Diagramas de bloques de Simulink (modelos estándar de flujo de señales)
• Gráficos de Stateflow (máquinas de estados y lógica de decisión)
• Modelos de Simscape (sistemas físicos: térmicos, eléctricos, mecánicos, hidráulicos)
• Arquitecturas de System Composer (modelos de arquitectura en nivel de sistema)

El flujo de trabajo recomendado consta de un ciclo de cinco pasos:

Simulación, pruebas y verificación

El conjunto de herramientas admite un ciclo completo de verificación:

• Ejecuta simulaciones, gestiona la configuración y realiza ejecución paralela
• Reproduce problemas detectados mediante casos de prueba e identificación de causas raíz
• Escribe pruebas utilizando Simulink Test
• Propone correcciones y vuelve a ejecutar la prueba para su verificación

De ese modo, los ingenieros se enfocan en interpretar resultados en lugar de gestionar la logística de la configuración.

Ingeniería de sistemas basada en modelos (MBSE)

Para los grupos de trabajo que utilizan MBSE, el conjunto de herramientas soporta el marco RFLP completo: Requisitos y arquitectura Funcional, Lógica y Física.

Con Simulink Agentic Toolkit, System Composer y Requirements Toolbox, un agente puede:

• Crear y gestionar requisitos vinculados con elementos de arquitectura
• Construir modelos de arquitectura funcional, lógica y física
• Generar diccionarios de interfaces y estereotipos
• Generar vistas analíticas y conjuntos de asignación

El objetivo es el prototipado rápido de los artefactos iniciales del sistema, liberando el esfuerzo de ingeniería para la resolución de problemas importantes en lugar de tareas de configuración rutinarias.

El ingeniero mantiene el control

Simulink Agentic Toolkit está diseñado para que ingenieros supervisen los resultados. Cada prestación sigue el mismo principio: el agente propone, el ingeniero decide.

Crear agentes de IA eficaces

Puede crear agentes utilizando código de MATLAB con LLM, MATLAB y MATLAB MCP HTTP Client. Los agentes proporcionan funciones de MATLAB para conectarse a los LLM (por ejemplo, una API compatible con OpenAI o modelos en Ollama™) y llamar a herramientas de MCP externas. Existen múltiples patrones que pueden implementarse para construir flujos de trabajo con agentes.

Patrón 1: ReAct (razonar + actuar)

El patrón de agente más común alterna entre pensar y actuar. El LLM piensa sobre el siguiente paso a realizar, ejecuta una acción, observa el resultado y repite el proceso.

% 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 

Patrón 2: Encadenamiento de herramientas

Las tareas complejas requieren llamadas a múltiples herramientas en secuencia. La salida de una herramienta se convierte en la entrada de la siguiente.

Patrón 3: Human-in-the-loop

Para aplicaciones críticas en materia de seguridad, añada pasos de aprobación:

% Human-in-the-loop pattern 
proposedAction = generate(chat, query); 
 
% Display proposed action for approval 
fprintf("Proposed: %s\n", proposedAction.description); 
approval = input("Approve? (y/n): ", "s"); 
 
if strcmp(approval, "y") 
    result = executeAction(proposedAction); 
else 
    disp("Action cancelled."); 
end 

Guía práctica

Estas directrices sirven como clave para garantizar la fiabilidad de los agentes:

• Comience de manera sencilla: Asegúrese de que una sola herramienta funcione correctamente antes de crear cadenas complejas.
• Añada observabilidad: Registre cada llamada a LLM y ejecución de la herramienta ya que lo necesitará durante la depuración.
• Gestione errores: Los LLM cometen errores. Implemente lógica de reintento con retroceso exponencial.
• Establezca límites: Limite el número de iteraciones, el presupuesto de tokens y las herramientas a las que puede acceder un agente.
• Realice pruebas de forma adversaria: Pruebe deliberadamente los casos límite para detectar fallos en el agente antes de que lleguen a usuarios.