Agentic AI 正在生成比过去更多的模型、代码、需求文档和测试工件，但产出数量的增加，并不等于系统级开发效率就一定更高。这种差距的根源，在于系统连续性被频繁打断：每当工作在不同工具之间交接时，可执行的系统状态都会部分丢失，工程师只能在继续开发之前，从静态工件中重新还原和构建这些状态。Agent 的引入虽然提升了自动化产出能力，却也进一步增加了交接频率，使系统状态重建逐渐成为推动研发进度时最主要的挑战与成本来源。随着输出规模持续扩大，维持一致系统表示所需投入的工作量也会同步上升。Model-Based Design（基于模型设计）让工程师能够持续维护一个可执行的系统模型，从而保持系统状态连续、完整，并显著减少状态重建带来的额外负担。
Model-Based Design 保持连续性
采用 Model-Based Design 的一个直接优势在于，所有变更都会直接作用于可执行系统模型，因此几乎可以在第一时间完成分析与评估。无论是变更本身，还是它在系统层面引发的连锁影响，都集中保存在同一个环境中，无需再在多个相互割裂的工件之间反复切换和转换。特别是在与 Agent 协同开发时，工程师一旦引入修改，就能立即观察系统行为的变化，而且这种观察始终是在完整系统模型的上下文中进行，而不是局限于某个孤立的局部结果。这样一来，验证工作可以前移到系统集成之前，问题不仅更容易被识别，也更容易被定位和解决。进一步来看，这种开发方式还能显著增强工程师的信心，因为他们能够持续、清晰地看到系统在不断演进过程中，究竟如何响应每一次变化。
可执行系统模型能够表征完整系统，因此工程师可以评估不同变更对整车行为和系统性能产生的整体影响。
当 Agentic AI 直接在模型上开展工作时，其输出成果就具备了可持续累积的价值。每一次更新都会建立在当前系统状态之上，并推动系统持续演进，从根本上减少后续对各类输出结果进行协调、整合与统一的需求。Agent 可以在同一环境中完成仿真、评估系统行为并调整自身修改内容，从而加快设计迭代与开发闭环。这种闭环是在彼此分离的工具链之间很难实现的。开发进展由系统本身持续承载，而不是分散在多个独立工件中，因此也降低了反复重建系统状态的频率和成本。
Agentic 工作流中工程师的角色
Agentic AI 正在重塑工程开发的组织方式，它重新定义了工程师的工作重点，以及工程师在研发流程中的实际价值。当 Agent 直接在系统模型上工作时，它们可以自动实施变更、运行仿真并评估结果。工程师的重心不再是手动推进每一个细分任务，而是转向明确系统必须实现的目标，并将这些目标转化为系统级需求，再进一步指导 Agent 执行相关开发工作。
工程师的核心职责，在于制定设计策略，并通过评估系统响应来判断目标是否真正落地。相比之下，Agent 会在持续运行中不断迭代、自动调整，并同步完成结果验证。正因如此，工程师无需再把大量时间消耗在系统状态重建或中间步骤协调上，而可以把更多精力投入到系统级判断与关键决策中。而他们真正的价值，也恰恰体现在这里：确保这些决策能够稳定、持续地推动系统朝着预期目标演进。
电动汽车开发中的跨领域连续性
在多领域系统开发中，连续性尤为关键，因为一次变更往往会沿着整个模型链路向外传播。在电动汽车（EV）开发场景中，无论是系统级控制策略还是组件级控制逻辑的更新，都必须同时考虑电池、电机以及其他支撑系统之间的耦合关系和相互影响。当这些组件分别独立开发时，这类交互效应通常要到系统集成阶段才会暴露，而到那时再发现问题，往往已经错过了更低成本的修正时机。可执行系统模型则能够让这些影响在研发早期就被清晰呈现出来。
借助这种系统可见性，工程师能够在引入控制策略变更的同时，直接评估其对整车系统的影响。例如，Agent 可以仿真不同再生制动与摩擦制动策略在多种驾驶工况下对车辆行为带来的变化。这使工程师能够更全面地理解这些设计决策对能效表现、电池使用状态以及整车性能的影响。由于这些分析与评估都建立在可执行模型之上，Agent 的工作始终受到系统物理约束和结构约束的限制。因此，这种方法产出的是确定性的、基于物理机理的结果，而不是依赖工程师主观假设的推断。
集成化的系统级模型使 Agent 能够贯穿整个工程工作流开展工作，包括物理建模、控制开发、验证与确认，以及嵌入式部署。
在这一基础上，AI Agent 还可以对更广泛场景下的结果进行比较，在同一工作流中评估不同工况，并识别续航里程、响应性能和热负载之间的权衡关系。工程师能够实时观察这些变化如何在动力总成系统内相互作用，并在开发过程中直接看到系统级影响是如何逐步显现的。
如今，这类工作流已经应用于虚拟整车开发。一家电动汽车制造商正在使用与 MATLAB® 和 Simulink® 配合的 Agent，直接在模型架构内部执行开发工作。Agent 负责生成并优化组件模型，随后进入测试与仿真流程，全程无需在多个工具之间来回切换。所有任务都在一个连续闭环中完成，Agent 在过程中持续发现问题、提出修正方案并验证结果。工程师则持续参与系统行为审查与关键决策制定，而 Agent 负责在系统模型中执行大量重复性的实现工作。最终带来的结果是：模型开发速度更快，并且随着模型规模扩大和逐步集成，在协同管理和上下文重建方面耗费的时间显著下降。
从执行任务到推动系统演进
在工程研发领域，衡量 Agentic AI 价值的标准，不应只看它生成了多少内容。因为如果每一个开发步骤都必须重新构建整体系统状态，那么再多的模型、代码和测试工件，也无法真正推动系统向前演进。在可执行模型内部，任何变更都可以被立即评估，并持续作为后续开发工作的基础。系统能够跨越不同开发阶段不断推进，而不会因为工具切换或流程割裂而中断。
Model-Based Design 通过在整个工程工作流中保持一致、连续的系统状态，实现了这种可持续演进。它使 Agent 能够直接作用于系统本身，同时也确保工程师可以准确判断系统是否满足既定目标。随着越来越多的 Agent 被集成到工程研发工作流中，这一点将变得更加重要。如果缺乏系统连续性，那么更多的产出只会带来更高的集成复杂度、更多的管理成本和更大的协同开销，而无法转化为真正有意义的开发成果与业务价值。
作者：Tianyi Zhu，MathWorks 高级产品经理