这次我们来看一个很具体的玩法用 AI 编程助手 OpenCode配合一个博途 MCP 服务器把西门子 TIA Portal 项目里的 AF 框架官方案例程序直接交给 AI 去分析。连接好之后你只需要在终端里问一句“这个案例的主程序是怎么调度的”AI 会自动去读取项目里的程序块、变量和调用关系然后给出中文导读。整个过程不需要手动复制粘贴源码也不需要在博途界面里翻来翻去找 FB 和 FC。这套方案比较适合三类人刚开始学 AF 框架的自动化工程师需要快速阅读大量官方示例程序的开发人员以及要给团队做内部培训、想整理程序讲解材料的人。它的核心价值不是“AI 生成的代码百分之百准确”而是把找程序、导源码、理解调用关系这些机械工作压缩到几分钟。配置好以后真正分析一个案例确实可以在 5 分钟级别完成前提是 MCP 服务器和项目路径已经就绪。下面直接从部署开始完整过一遍如何让 OpenCode 通过博途 MCP 服务器读取 AF 框架案例程序以及验证、批量分析、排错和合规边界。1. 核心能力速览先给一张总表快速判断这个组合适不适合你能力项说明项目定位OpenCodeAI 编程助手 博途 MCP 服务器PLC 项目解析服务联动核心用途用自然语言分析 TIA Portal 项目中的 AF 框架案例程序主要功能列出程序块、读取 SCL 源码、查看 PLC 变量、梳理调用关系、生成中文导读文档启动方式命令行启动 OpenCode通过配置加载 MCP 服务器是否支持 APIOpenCode 支持交互式和非交互式运行MCP 服务器可被其他 MCP 客户端调用是否支持批量任务可以通过脚本对多个案例项目批量提问并输出 Markdown 分析文档推荐环境Windows 10/11 TIA Portal 对应版本 Node.js LTS显存要求使用云端 API 时基本不占用本机显存使用本地大模型时显存占用取决于模型参数量适合场景AF 框架学习、案例程序导读、程序结构梳理、培训材料准备这套链路里OpenCode 负责跟大模型对话博途 MCP 服务器负责把博途项目暴露成可查询的工具接口。两者通过 MCP 协议连接大模型不需要理解.ap文件内部格式只需要调用 MCP 工具就能拿到程序块源码和结构信息。2. 适用场景与使用边界2.1 适合谁PLC 开发工程师接手陌生项目时让 AI 先做一个整体结构梳理节省人工翻代码的时间。自动化学习者想学西门子 AF 框架但不知道从哪里入手可以让 AI 逐模块解释官方案例。技术培训讲师需要把官方案例整理成培训文档用 AI 批量生成初稿再人工校对。项目维护人员程序不是自己写的维护时需要快速了解 OB、FB、FC 之间的关系。2.2 能解决什么问题博途项目不是纯文本文件直接打开 IDE 逐个找块很耗时。通过 MCP 服务器AI 可以按需读取项目里的 SCL 源码、变量表和块列表回答类似这些问题这个案例程序实现的是什么控制逻辑OB1 调用了哪些 FB/FCAF 框架里的某个类实例是怎么创建的这个 FB 的输入输出参数分别是什么含义2.3 不适合什么不适合直接把 AI 分析结果当最终结论尤其是涉及设备安全运行的逻辑。不适合让 AI 直接修改博途项目文件然后写回容易破坏工程结构。不适合把公司大型商业项目整体交给不受信任的第三方云端 API。2.4 合规提醒使用这套工具时要注意几个边界确认 AF 框架案例程序的来源合法优先使用西门子官方示例或公司授权项目。如果项目包含工艺参数、工序数据、客户信息不要外发到第三方云端 API。建议使用本地模型或先做一个脱敏裁剪版案例。AI 生成的分析文档只用于学习和内部参考二次分发时注意版权。关键控制逻辑要由有经验的工程师复核不能只看 AI 的结论。3. 环境准备与前置条件3.1 操作系统与基础软件软件建议版本用途Windows 10/1164 位OpenCode 和 TIA Portal 主要运行环境Node.jsLTS 版本OpenCode 运行时Git最新稳定版克隆 MCP 服务器和案例项目TIA Portal与项目版本匹配打开和导出项目验证 MCP 解析结果AI 模型服务OpenAI 兼容 API 或本地 Ollama提供 AI 推理能力如果你只想验证“AI 读取源码”这一条链路暂时不装 TIA Portal 也可以先把 MCP 服务器跑通但完整读取.ap项目通常还是需要博途环境。3.2 硬件门槛纯 API 方案CPU 4 核以上内存 8G 以上足够。OpenCode 本身是轻量级 CLIMCP 服务器解析项目时会占用一定 CPU。本地大模型方案显存占用完全取决于模型参数。如果跑 7B 到 14B 的量化模型建议准备 8G 以上显存如果模型更大需要按你的推理框架实际测试。3.3 博途项目准备获取 AF 框架官方案例程序的.ap或.ap18文件。用博途打开一次项目确认项目版本和结构完整。如果项目很大建议在 MCP 服务器里配置只读模式或者先用博途把关键程序块导出成 SCL 文件作为备选输入。3.4 网络与密钥如果使用云端大模型准备好 API Key把它配置到环境变量中。如果使用本地 Ollama 这类推理服务确认服务已启动端口可以被访问。4. 安装部署与启动方式4.1 安装 OpenCode先确认 Node.js 环境node -v npm -v如果两个命令都能正常输出版本号说明 Node.js 环境可用。然后用 npm 全局安装 OpenCode# 具体包名以 OpenCode 项目 README 为准这里给出 npm 通用写法 npm install -g opencode如果你用的是不同的包名把opencode替换成实际名称即可。安装完成后执行opencode --version如果提示“无法将‘opencode’项识别为 cmdlet、函数、脚本文件或可运行程序”说明 npm 全局目录没有加入 PATH。排查方法在第八章会讲。4.2 获取博途 MCP 服务器博途 MCP 服务器目前没有统一标准实现常见方式是使用社区开源项目或团队内部自建。它的核心职责是输入博途项目路径输出程序块列表、SCL 源码和变量表。获取方式通常是克隆仓库后安装依赖# 示例克隆到本地目录地址需要替换成实际仓库 git clone https://github.com/your-fork/tia-mcp-server.git cd tia-mcp-server # 如果项目是 Node.js 实现 npm install # 如果项目是 Python 实现 pip install -r requirements.txt这里只是一个通用流程仓库地址、依赖安装命令都要以你实际拿到的项目为准。4.3 配置 OpenCode 的 MCP 服务器OpenCode 通过配置文件加载 MCP 服务器。在项目目录或用户配置目录下创建opencode.json或opencode.jsonc具体文件名以 OpenCode 文档为准。参考配置如下{ model: gpt-4o, mcpServers: { tia-mcp: { command: node, args: [ D:/tools/tia-mcp-server/index.js, --project, D:/Projects/AF_Pump_Example.ap18 ], env: { TIA_OPENNESS_PATH: C:/Program Files/Siemens/Automation/Portal V18 } } } }说明model字段按你实际使用的模型名称填写。command和args是 MCP 服务器的启动命令和参数必须替换成真实路径。TIA_OPENNESS_PATH指向本机博途安装目录用于 MCP 服务器调用 Openness 接口导出源码。不同版本的博途路径可能不同V16、V18、V21 的安装目录结构会有差异。如果 MCP 服务器是 HTTP 方式运行配置会变成 URL 形式{ mcpServers: { tia-mcp: { url: http://127.0.0.1:8931/mcp } } }端口以你启动 MCP 服务时实际输出的端口为准不要照抄。4.4 启动 OpenCode 并验证连接配置完成后在终端启动 OpenCodeopencode进入交互界面后先查看 MCP 工具是否加载成功/mcp如果看到类似tia-mcp的工具列表说明 MCP 服务器连接成功。如果列表为空说明配置有问题需要继续排查。5. 功能测试与效果验证5.1 验证 MCP 工具列表测试目的确认 OpenCode 能正常调用博途 MCP 服务器。操作步骤启动 OpenCode。输入/mcp。观察工具列表。预期结果能看到tia-mcp下的工具例如list_blocks、get_block_code、list_tags等。判断标准工具名能显示出来并且调用时不报错。常见失败原因opencode.json中的路径写错。Node.js 版本过低。MCP 服务器依赖未安装完整。TIA Openness 没有安装或版本不匹配。5.2 基础提问测试测试目的验证 AI 能否通过 MCP 读取项目并给出可理解的回答。输入示例请分析这个 AF 框架案例程序说明它的功能、主要模块和程序执行流程。操作步骤在 OpenCode 中直接输入这个问题。预期结果AI 返回一段中文说明里面包含项目中的具体块名和变量名而不是泛泛而谈。判断标准回答中出现了实际程序块名称例如OB1、FB_ValveControl、DB_Device等说明 AI 确实拿到了项目内容。失败排查如果回答全是通用话术说明 MCP 工具没有被调用需要检查工具列表。如果回答超时说明项目解析太慢可以缩小分析范围。5.3 调用关系分析输入示例请找出这个案例里 OB1 调用了哪些 FB/FC列出调用层级。预期结果AI 返回一个调用层级列表例如OB1FB_ValveControlFC_ComputeFB_MotorControl判断标准层级关系是否清晰是否包含具体块名。常见问题如果 MCP 服务器只提供源码读取不提供专门的调用关系检索AI 需要从源码中推断。遇到这种情况可以要求它“先读取 OB1 的源码再根据调用语句整理层级”。5.4 变量与数据结构分析输入示例解释这个案例中 PLC 变量的用途重点看 AF 框架的数据结构。预期结果AI 返回变量表的结构说明识别出 AF 框架中的类实例、结构体、UDT 等。判断标准回答中是否明确指出了几个关键数据块或结构体及其用途。技巧如果变量表太大可以让 AI 先只看全局变量再看某个背景数据块避免一次请求塞入过多内容。5.5 生成程序导读文档输入示例基于以上分析为这个案例生成一份 Markdown 导读文档包含功能概述、硬件 IO 列表、程序块说明和启动步骤。这个测试最贴近真实使用场景。AI 会先通过 MCP 读取项目信息然后整理成结构化文档。操作建议不要一次让 AI 完成所有事情。先问整体结构再逐个模块追问等每部分回答都准确之后再让它汇总成文档。6. 接口 API 与批量任务6.1 OpenCode 非交互模式OpenCode 支持交互式对话也支持非交互式运行。如果版本支持可以用类似这样的命令直接提问opencode run 分析 AF 案例程序输出主程序流程 --model gpt-4o实际参数名可能不同需要以安装版本为准。这种模式的好处是可以被脚本调用适合批量任务。6.2 批量分析多个案例下面给一个 Python 脚本模板。它遍历多个博途项目路径对每个项目提出相同的问题并把输出保存成 Markdown 文件import subprocess import pathlib projects [ D:/Projects/AF_Pump_Example.ap18, D:/Projects/AF_Conveyor_Example.ap18, ] questions [ 请总结这个案例的功能和整体结构不超过 300 字。, 请列出主要的 FB/FC 和调用关系。, ] output_dir pathlib.Path(D:/analysis_output) output_dir.mkdir(exist_okTrue) for proj in projects: project_name pathlib.Path(proj).stem for idx, question in enumerate(questions, 1): cmd [ opencode, run, --model, gpt-4o, question ] result subprocess.run( cmd, capture_outputTrue, textTrue, encodingutf-8 ) out_file output_dir / f{project_name}_q{idx}.md out_file.write_text(result.stdout, encodingutf-8) print(fwritten: {out_file})注意如果 MCP 服务器在启动时固定绑定一个项目路径那么批量分析多个项目时需要修改 MCP 启动参数或为每个项目启动不同的 MCP 实例。更简单的做法是提前把每个项目的 SCL 源码导出到独立目录让 AI 按目录读取。6.3 MCP 服务接口的一般调用方式如果博途 MCP 服务器以 HTTP 方式运行可以直接用 curl 查看它暴露的工具列表curl -X POST http://127.0.0.1:8931/mcp \ -H Content-Type: application/json \ -d {jsonrpc:2.0,id:1,method:tools/list,params:{}}这里的端口号要替换成实际启动时的端口。MCP 协议本身是 JSON-RPC 格式所以调用工具也遵循同样的消息结构。具体请求体需要参考你使用的 MCP 服务器实现。7. 资源占用与性能观察7.1 观察哪些指标启动 OpenCode 和博途 MCP 服务器后建议打开任务管理器观察以下进程opencode主进程占用内存一般不高。node或python类型的 MCP 服务进程解析项目时 CPU 和内存会有明显波动。本地大模型推理进程如果走 Ollama 这类本地服务需要观察 GPU 显存占用。7.2 影响性能的关键因素博途项目文件大小项目里块越多、注释越复杂MCP 服务器解析时间越长。每次请求携带的上下文提问越长模型处理越慢API 费用也越高。MCP 服务器是否重复解析项目有些实现每次启动都重新解析.ap文件这会拖慢首次响应。本地模型还是云端 API本地模型响应速度和显存占用取决于模型参数量云端 API 主要开销在网络延迟和 token 数量。7.3 降低资源占用的方法先用博途把项目导出成 SCL 文本文件再让 MCP 服务器读取文本文件不直接解析.ap。一次提问只聚焦一个模块不要把所有源码一次性塞给模型。在 OpenCode 中配置合理的上下文限制避免长对话导致 token 爆炸。批量任务时控制并发数避免短时间内同时发起大量请求。8. 常见问题与排查方法问题现象可能原因排查方式解决方案opencode 命令找不到npm 全局目录不在 PATH执行where opencodeWindows或which opencodeLinux/macOS把 npm 全局目录加入 PATH重启终端MCP 服务器启动失败Node.js 版本过低或依赖缺失查看启动日志升级 Node.js LTS重新执行安装依赖命令/mcp 看不到工具列表opencode.json 路径或参数错误手动执行 MCP 启动命令确认能否运行修改配置中的 command 和 args确认项目路径存在解析博途项目很慢项目过大或 TIA Openness 初始化慢观察任务管理器中 CPU 占用先导出关键块为 SCL或只分析指定程序块AI 回答不准确上下文不足、问题太宽泛让 AI 先读取项目结构再提问缩小提问范围先问结构再问细节API Key 报错环境变量未配置或 Key 无效检查环境变量和余额在配置中设置正确的 API Key生成内容中文乱码Windows 控制台编码问题GBK查看输出编码设置PYTHONIOENCODINGutf-8PowerShell 中设置$OutputEncoding [System.Text.Encoding]::UTF8端口被占用本地服务冲突使用 netstat 查看端口修改 MCP 服务的监听端口MCP 工具报权限错误博途 Openness 未启用检查 TIA Portal 设置在博途中启用 Openness 接口重启 TIA Portal批量脚本卡住某个问题等待模型返回超时打印每个任务的执行时间脚本中增加超时控制和失败重试8.1 没有可用的博途 MCP 服务器怎么办如果你暂时找不到可用的博途 MCP 服务器可以先用备选方案直接在博途中把程序块导出为.scl文件放到项目目录下然后让 OpenCode 直接读取这些文本文件。虽然少了“动态读取项目”的能力但分析 AF 框架案例的结构和逻辑也够用。导出 SCL 的方式在博途里很直接选中程序块右键选择“从块生成源”或者通过 Openness 脚本批量导出。9. 最佳实践与使用建议9.1 先用最小案例跑通不要一上来就分析整个官方 AF 框架大案例。先创建一个只有一个 OB、两个 FB 的测试项目把 MCP 链路跑通确认 AI 能读到代码、能回答正确再切换到真实案例。9.2 项目文件与导出文件分开管理原始.ap文件只读不修改。导出的 SCL 源文件放到独立目录。AI 生成的分析文档按项目名归档方便后续复用。9.3 提问策略先问总览再问细节。例如“这个项目的整体控制流程是什么”“OB1 调用了哪些功能块”“FB_ValveControl 的主要逻辑是什么”“AF 框架中的状态机是怎么实现的”这样能让 AI 逐步建立上下文回答质量更高。9.4 批量任务要加日志和重试批量分析案例时不要让一个失败任务拖垮整轮。脚本里要记录每个项目的日志失败时单独标记等第一轮跑完再重试失败项。9.5 牢牢守住安全边界不要将私有工程项目上传到不明确数据策略的云端 API。不要用 AI 生成的结果直接修改安全相关逻辑。官方示例程序可以用于学习但不要违规二次分发。涉及人脸、声音等场景时还需额外确认授权本方案涉及的是 PLC 程序主要关注代码版权和工程数据保密。10. 总结与下一步这个方案最值得尝试的地方在于它不是简单地把代码片段复制给 AI而是让 AI 通过 MCP 协议主动读取博途项目里的程序块、变量和调用关系把学习官方 AF 框架案例的“找代码、读代码、理解结构”过程压缩成几轮对话。如果你经常需要阅读别人写的 PLC 程序这套链路值得认真配置一次。最先应该验证的是 MCP 连接是否成功也就是/mcp能不能看到工具列表如果这一步通了后面所有的分析功能基本都能跑起来。最容易踩的坑集中在三处博途项目路径配置错误、Node.js 版本太低、一次提问塞入太多上下文。按“最小案例连通、结构化提问、批量导出文档”的顺序推进投入产出比最高。后续可以扩展的方向很多把分析结果整理成团队内部案例库编写脚本对多个 AF 案例自动生成培训文档把 MCP 服务器集成到自己的 Web 工具中或者接入本地大模型实现完全离线的代码导读。建议先花半天时间把 OpenCode 加博途 MCP 服务器的链路跑通之后你再打开官方 AF 框架案例时会觉得效率明显不一样。