fluent-research-mcp

fluent-research-mcp

Automates Ansys Fluent simulation workflows, enabling environment checks, case execution, UDF management, and result export through MCP tools.

Category
访问服务器

README

fluent-research-mcp

fluent-research-mcp 是一个用于 Ansys Fluent / PyFluent 工作流自动化的本地 MCP server。它把 Fluent 仿真中常见的环境检查、项目初始化、算例运行、UDF 管理、结果导出和运行摘要封装成可由 MCP 客户端调用的结构化工具。

项目目标是让 Fluent 仿真流程更容易被记录、复现和诊断,尤其适合需要把 CFD 计算纳入自动化科研流程、工程验证流程或智能体工具链的场景。

主要特性

  • 环境诊断:检查 Python、PyFluent、Fluent 可执行文件、license 线索和编译器可用性。
  • 项目初始化:生成统一的 Fluent 项目目录和默认配置。
  • 算例执行:支持 PyFluent 后端和 Fluent batch/journal 后端。
  • 运行审计:保存输入快照、journal、日志、状态文件、摘要和报告。
  • UDF 工作流:写入 UDF 源文件,生成 diff,要求审查后再编译加载。
  • 结果导出:导出结果清单、CSV 数据和可选图片。
  • 结构化返回:所有 MCP 工具返回统一的 ok、stage、message、artifacts、warnings、errors 字段。

适用场景

  • 用 MCP 客户端调用 Fluent/PyFluent 进行可追踪仿真。
  • 在批处理环境中运行已有 Fluent case/data。
  • 对 UDF 变更进行审查、编译和加载。
  • 为失败的 Fluent 运行生成可读的诊断报告。
  • 为研究或工程项目保留可复现的运行记录。

仓库结构

.
├── src/fluent_research_mcp/     # MCP server 和 Fluent 工作流工具
├── tests/                       # 单元测试
├── cases/pyfluent_mixing_elbow/ # 可用于诊断的 Fluent 示例算例
├── examples/fluent_smoke/       # 最小化 Fluent batch 冒烟测试
├── pyproject.toml               # Python 包配置
├── requirements.txt             # 最小运行依赖
└── README.md

生成的运行目录、Fluent transcript、缓存文件和本地实验数据不会进入版本库。

环境要求

  • Python 3.11 或更新版本
  • Ansys Fluent,用于真实求解和 batch 诊断
  • 可用的 Fluent license
  • 使用 pyfluent 后端时需要 PyFluent 相关依赖

只启动 MCP server 或运行非 Fluent 依赖工具时,不要求本机已经安装 Fluent。涉及 Fluent 的工具会在环境不可用时返回结构化错误,便于上层客户端判断失败原因。

安装

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -U pip
python -m pip install -e .

安装开发和测试依赖:

python -m pip install -e .[test]
pytest

安装 Fluent/PyFluent 相关依赖:

python -m pip install -e .[fluent,test]

也可以使用 requirements.txt 安装最小运行依赖:

python -m pip install -r requirements.txt

启动 MCP server

python -m fluent_research_mcp.server

MCP 客户端配置示例:

[mcp_servers.fluent-research-mcp]
command = '<repo>\\.venv\\Scripts\\python.exe'
args = ['-m', 'fluent_research_mcp.server']
startup_timeout_sec = 30
tool_timeout_sec = 600

如果 Fluent 不在 PATH 中,可以通过环境变量指定可执行文件:

[mcp_servers.fluent-research-mcp.env]
FLUENT_PATH = 'C:\\Program Files\\ANSYS Inc\\v252\\fluent\\ntbin\\win64\\fluent.exe'

MCP 工具

工具 用途
check_environment 检查 Python、PyFluent、Fluent、license、编译器和项目目录
create_project 创建标准项目目录和默认配置
open_case 用 PyFluent 打开已有 Fluent case/data
run_solver 创建运行目录,运行 Fluent,并写出状态、摘要和报告
write_udf_files 写入 UDF 源文件并生成可审查 diff
compile_load_udf 编译并加载已审查的 UDF
export_results 导出结果清单、CSV 和可选图片
summarize_run 重新生成某次运行的 summary.json 和 report.md

示例算例

仓库提供一个可复现的 Fluent mixing elbow 示例算例,用于验证 Fluent 启动、算例读取和基础网格检查:

cases/pyfluent_mixing_elbow/mixing_elbow.cas.h5
cases/pyfluent_mixing_elbow/mixing_elbow.msh.h5

该算例是真实 Fluent case/mesh 文件,不是占位文件。当前 smoke journal 已在 Fluent 2025 R2、3ddp、单进程 batch 模式下完成读取和 /mesh/check。

使用 MCP 命令行入口执行一次 batch 求解:

python -m fluent_research_mcp.run_case . cases\pyfluent_mixing_elbow\mixing_elbow.cas.h5 --backend batch --fluent-dimension 3ddp --processor-count 1 --iterations 10

运行产物会写入 runs/<run_id>/,包括输入快照、journal、日志、状态文件、摘要和报告。runs/ 属于生成物,默认不提交。

冒烟测试

examples/fluent_smoke/read_mesh_check.jou 是一个最小化 Fluent journal:

/file/read-case "cases/pyfluent_mixing_elbow/mixing_elbow.cas.h5"
/mesh/check
/exit yes

从仓库根目录运行:

fluent 3ddp -g -i examples\fluent_smoke\read_mesh_check.jou

如果 Fluent 可执行文件不在 PATH 中,使用实际路径:

& 'C:\Program Files\ANSYS Inc\v252\fluent\ntbin\win64\fluent.exe' 3ddp -g -i examples\fluent_smoke\read_mesh_check.jou

这个测试适合做分层诊断:如果 Fluent 在读取算例前退出,优先检查 Fluent 路径、license 或启动环境;如果进入 /file/read-case 或 /mesh/check 后失败,再检查算例文件、版本兼容性或网格质量。

开发

运行测试:

pytest

查看版本库状态:

git status --short

建议在提交前确认运行产物、缓存文件和本地实验数据没有进入 Git。

许可

本项目代码、测试、文档和项目脚本默认使用 MIT License。

本项目不包含 Ansys Fluent 软件本体,也不提供 Fluent license。Ansys Fluent、PyFluent、相关商标和许可由 Ansys 的相应条款约束。

cases/ 下的 Fluent case/mesh 文件用于 smoke test 和诊断互操作测试,可能仍受其原始软件、厂商或示例数据条款约束。使用或再分发这些文件前,请确认你的使用场景符合相应许可。更多说明见 NOTICE。

推荐服务器

Baidu Map

Baidu Map

百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。

官方
精选
JavaScript
Playwright MCP Server

Playwright MCP Server

一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。

官方
精选
TypeScript
Magic Component Platform (MCP)

Magic Component Platform (MCP)

一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。

官方
精选
本地
TypeScript
Audiense Insights MCP Server

Audiense Insights MCP Server

通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。

官方
精选
本地
TypeScript
VeyraX

VeyraX

一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。

官方
精选
本地
graphlit-mcp-server

graphlit-mcp-server

模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。

官方
精选
TypeScript
Kagi MCP Server

Kagi MCP Server

一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。

官方
精选
Python
e2b-mcp-server

e2b-mcp-server

使用 MCP 通过 e2b 运行代码。

官方
精选
Neon MCP Server

Neon MCP Server

用于与 Neon 管理 API 和数据库交互的 MCP 服务器

官方
精选
Exa MCP Server

Exa MCP Server

模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。

官方
精选