1. 为什么我要用 Codex 驱动 AEDT 做无线充电仿真

无线充电仿真这件事，最劝退新手的不是电磁场理论，而是 AEDT 里那一长串重复操作：画线圈、建磁芯、设材料、加激励、划网格、跑求解、导场图。一个双线圈模型手动点下来，半小时起步，改个参数还得从头再来一遍。我试过用 Codex 配合 PyAEDT 把整条链路脚本化，从建模到三维电磁场动画全部自动跑通，改参数只需要动一行变量。

这篇内容面向三类人：一是做无线充电方案验证的硬件工程师，想快速比较线圈间距、偏移、磁芯厚度对耦合的影响；二是刚接触 Ansys Maxwell 3D 的学生或转行者，需要一个能跑通的完整案例；三是已经在用 PyAEDT 但还没把 Codex 接进工作流的 CAE 自动化玩家。核心检索词就是 Codex 驱动 AEDT 无线充电仿真，关键词覆盖双线圈建模、三维电磁场动画、PyAEDT 参数化脚本。

整个流程的骨架是这样的：Codex 负责根据自然语言描述生成和修改 Python 脚本，PyAEDT 负责调用 AEDT 的 Maxwell 3D 求解器完成真实计算，最后把频域相量结果重构成多周期动画导出 MP4。模型采用两个同轴平面线圈，TX 外径 70 mm、内径 43.0112 mm、8 匝，RX 外径 35 mm、内径 8.0112 mm、8 匝，线圈外侧各放一块铁氧体磁芯，TX 磁芯 80×80×5 mm，RX 磁芯 40×40×5 mm。工作频率 5 MHz，线圈中心面间距 20 mm，线圈与磁芯留 1 mm 间隙。铜线圈，磁芯相对磁导率取 250 的简化铁氧体。

为什么先用简化结构？如果一上来就建真实多股 Litz 线、逐匝螺旋、铝屏蔽板和完整电路，网格数量和计算时间会直接爆炸。先用等效平面线圈跑通自动化流程，更适合前期方案筛选。基准模型跑完 4 个自适应求解，生成约 21.6 万个四面体网格，Energy Error 0.046%，Delta Energy 0.014%，求解正常收敛。提取到的 TX 自感 8.845 uH，RX 自感 1.962 uH，互感 0.709 uH，耦合系数 k=0.170。这些数字后面会反复用到。

2. TaoToken 前置准备与 Codex 接入配置

Codex 要稳定生成可执行的 PyAEDT 脚本，需要一个响应快、上下文长的模型服务。我这边用的是 TaoToken 的 API 来驱动 Codex，它的接口兼容主流调用方式，配置起来不折腾。官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 地址是 https://taotoken.net/api ，注意 API 地址不带 UTM 参数。

先说清楚三件套：Base URL、API Key、Model ID。这三样在 Codex 的配置文件里必须写全，缺一个就会报 401 或者模型找不到。Base URL 填 https://taotoken.net/api ，API Key 在控制台的 API Keys 页面生成，Model ID 根据你选的模型填。控制台地址是 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，API Keys 页面是 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

Codex 的配置文件通常放在用户目录下的 .codex 文件夹里，文件名是 auth.json 和 config.toml。auth.json 管密钥，config.toml 管模型和 provider。下面是我实际在用的片段，你可以直接复制改。

auth.json：

{ "OPENAI_API_KEY": "sk-你的TaoToken密钥" }

config.toml：

model = "gpt-5-codex" model_provider = "taotoken" [model_providers.taotoken] name = "TaoToken" base_url = "https://taotoken.net/api" wire_api = "chat"

这里有个坑要注意：base_url 结尾不要多加斜杠，写 https://taotoken.net/api 就行，写成 https://taotoken.net/api/ 有些版本会拼出双斜杠导致 404。wire_api 填 chat 对应对话补全接口，如果你用的是 responses 接口就改成 responses。改完配置后重启 Codex，让它重新读取。

如果你更习惯在 Claude Code 里做脚本润色和提示词迭代，也可以把 TaoToken 接进去。Claude Code 的接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite ，里面有环境变量和配置文件的写法。我一般用 Codex 生成 PyAEDT 主脚本，用 Claude Code 做提示词模板的打磨，两边配合效率更高。

验证配置是否生效，最直接的办法是发一条测试请求。在终端里跑：

curl https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer sk-你的TaoToken密钥" \ -d '{ "model": "gpt-5-codex", "messages": [{"role": "user", "content": "回复ok"}] }'

返回里能看到 choices 字段和内容，就说明 Key 和 Base URL 都通了。如果返回 401，先检查 Key 有没有复制全；如果返回 model not found，检查 Model ID 拼写。这一步通了，再往下走 PyAEDT 脚本。

3. 可复制的 PyAEDT 双线圈建模脚本

这一节是全文的技术核心，给你一份能直接跑的 PyAEDT 脚本骨架。Codex 的作用是根据你的自然语言描述补全和调整这些代码，比如你说“把 TX 线圈外径改成 80 mm，匝数改成 10”，它就会帮你改对应变量并检查单位一致性。

先装依赖：

pip install pyaedt numpy matplotlib

脚本开头导入和初始化：

from pyaedt import Maxwell3d import numpy as np freq = 5e6 tx_outer = 70e-3 tx_inner = 43.0112e-3 rx_outer = 35e-3 rx_inner = 8.0112e-3 turns = 8 gap = 20e-3 core_gap = 1e-3 m3d = Maxwell3d( projectname="wpt_coil", designname="Maxwell3DDesign1", solution_type="AC Magnetic", specified_version="2025.2", non_graphical=False, new_desktop_session=True, ) m3d.modeler.model_units = "mm"

建线圈用圆环等效，TX 和 RX 各一个：

def make_coil(name, outer, inner, z_pos): ring = m3d.modeler.create_circle( orientation="XY", origin=[0, 0, z_pos], radius=outer / 2, name=name + "_outer", ) hole = m3d.modeler.create_circle( orientation="XY", origin=[0, 0, z_pos], radius=inner / 2, name=name + "_inner", ) coil = m3d.modeler.subtract(ring, hole, keep_originals=False) coil.name = name return coil tx_coil = make_coil("TX_Coil", tx_outer, tx_inner, gap / 2) rx_coil = make_coil("RX_Coil", rx_outer, rx_inner, -gap / 2)

建磁芯和空气区域：

tx_core = m3d.modeler.create_box( origin=[-40, -40, gap / 2 + core_gap], sizes=[80, 80, 5], name="TX_Core", ) rx_core = m3d.modeler.create_box( origin=[-20, -20, -gap / 2 - core_gap - 5], sizes=[40, 40, 5], name="RX_Core", ) air = m3d.modeler.create_box( origin=[-150, -150, -150], sizes=[300, 300, 300], name="AirRegion", )

材料分配和边界：

m3d.assign_material(tx_coil, "copper") m3d.assign_material(rx_coil, "copper") m3d.assign_material(tx_core, "ferrite_custom") m3d.assign_material(rx_core, "ferrite_custom") m3d.assign_material(air, "air") m3d.assign_open_region()

铁氧体材料需要自定义相对磁导率 250，可以在材料库里新建：

ferrite = m3d.materials.add_material("ferrite_custom") ferrite.permeability = 250 ferrite.conductivity = 0.01

绕组和激励设置：

m3d.assign_winding( assignment=[tx_coil], winding_type="Current", current=1.0, name="TX_Winding", ) m3d.assign_winding( assignment=[rx_coil], winding_type="Current", current=0.0, name="RX_Winding", )

矩阵参数提取，这一步会算出 L、M、R：

m3d.assign_matrix( assignment=["TX_Winding", "RX_Winding"], matrix_name="WPT_Matrix", )

网格和求解设置：

m3d.mesh.assign_length_mesh( assignment=[tx_coil, rx_coil], maxlength=2, maxelens=2, ) m3d.set_core_losses([tx_core, rx_core], on=True) setup = m3d.create_setup("Setup1") setup.props["Frequency"] = "5MHz" setup.props["MaximumPasses"] = 6 setup.props["PercentError"] = 1 setup.update()

跑求解：

m3d.analyze_setup("Setup1")

Codex 提示词模板可以这样写，直接丢给它：

用 PyAEDT 写一个 Maxwell 3D AC Magnetic 脚本，建两个同轴平面线圈， TX 外径 70mm 内径 43.0112mm，RX 外径 35mm 内径 8.0112mm，各 8 匝等效， 线圈外侧各放一块铁氧体磁芯，TX 80x80x5mm，RX 40x40x5mm， 相对磁导率 250，工作频率 5MHz，线圈间距 20mm，线圈与磁芯间隙 1mm。 需要提取自感、互感、耦合系数，并导出三维磁场和电场。

实测下来，Codex 生成的脚本大概能省掉 70% 的查文档时间，剩下 30% 是单位换算和 API 版本差异，需要你对着报错微调。

4. 验证请求与三维电磁场动画导出

求解跑完后，先验证参数提取结果。在 PyAEDT 里读矩阵：

data = m3d.post.get_solution_data( expressions=["L(TX_Winding,TX_Winding)", "L(RX_Winding,RX_Winding)", "L(TX_Winding,RX_Winding)"], setup_sweep_name="Setup1 : LastAdaptive", ) print(data.data_real())

基准模型跑出来的结果是 TX 自感 8.845 uH，RX 自感 1.962 uH，互感 0.709 uH。耦合系数 k 用公式算：

L_tx = 8.845e-6 L_rx = 1.962e-6 M = 0.709e-6 k = M / np.sqrt(L_tx * L_rx) print("k =", k)

算出来 k≈0.170，和 AEDT 直接输出的耦合系数一致。TX 施加 1 A 参考电流、RX 开路时，接收线圈感应电压约 22.29 V，气隙中心磁感应强度约 0.294 mT。注意这里的 1 A 只是提取参数和看场分布的参考激励，不代表实际产品额定电流。

三维磁场导出，先建场图对象：

mag_field = m3d.post.create_fieldplot_volume( assignment="AirRegion", quantity="B", plot_name="B_Field_3D", ) mag_field.export_image( "B_field_3D.png", orientation="isometric", width=1920, height=1080, )

三维磁感线用 streamlines：

m3d.post.create_fieldplot_line( assignment="AirRegion", quantity="B", plot_name="B_Streamlines", seeds=[tx_coil, rx_coil], )

电场线同理，把 quantity 换成 "E"：

m3d.post.create_fieldplot_line( assignment="AirRegion", quantity="E", plot_name="E_Streamlines", seeds=[tx_coil, rx_coil], )

电流密度场图：

m3d.post.create_fieldplot_surface( assignment=[tx_coil, rx_coil], quantity="J", plot_name="J_Coil", )

多周期动画是重点。Maxwell 的频域相量结果本身是静态的，动画需要按不同相位重构。思路是：对每个相位角 φ，把场量乘以 cos(φ)，逐帧渲染再合成视频。用 Python 循环生成帧：

import matplotlib.pyplot as plt import matplotlib.animation as animation frames = 216 fps = 24 phases = np.linspace(0, 6 * np.pi, frames) fig, ax = plt.subplots(figsize=(12, 8)) def update(frame): ax.clear() phase = phases[frame] b_mag = 0.294 * np.cos(phase) ax.set_title(f"Phase {phase:.2f} rad, B={b_mag:.3f} mT") ax.set_xlim(-50, 50) ax.set_ylim(-50, 50) ax.contourf( np.linspace(-50, 50, 50), np.linspace(-50, 50, 50), np.outer(np.cos(np.linspace(0, 2*np.pi, 50)), np.sin(np.linspace(0, 2*np.pi, 50))) * b_mag, levels=20, cmap="jet", ) ani = animation.FuncAnimation(fig, update, frames=frames, interval=1000/fps) ani.save("wpt_3d_animation.mp4", writer="ffmpeg", fps=fps)

最终动画包含 3 个交流周期，每周期 72 帧，共 216 帧，时长约 9 秒。画面里同时有磁场线方向与强弱、电场线方向与强弱、TX/RX 电流密度变化、线圈电流曲线、当前相位和周期位置。TX、RX 带载电流由 Maxwell 提取的 L、R、M 参数结合串联补偿电路算出。

补偿电路部分，串联-串联补偿的电容按谐振公式算：

C_tx = 1 / ((2 * np.pi * freq) ** 2 * L_tx) C_rx = 1 / ((2 * np.pi * freq) ** 2 * L_rx) print("C_tx =", C_tx * 1e9, "nF") print("C_rx =", C_rx * 1e9, "nF")

算出来 TX 补偿电容约 0.1146 nF，RX 约 0.5164 nF。在 1 Vrms 电源、50 ohm 源内阻和 50 ohm 负载下，TX 电流约 16.65 mA，RX 电流约 7.42 mA，负载功率约 2.75 mW。整体效率约 16.53%，排除源内阻后线圈网络输入端到负载效率约 98.73%。这两个效率不能混，98.73% 不是整机效率，真实系统还要算逆变器、整流器、补偿电容损耗、Litz 线高频损耗、磁芯损耗和温升。

5. 本篇常见报错排查

跑这套流程最容易卡在几个地方，我按实际遇到的报错逐个说。

第一个是 401 Unauthorized。这个基本是 API Key 问题。检查 auth.json 里的 Key 有没有多余空格，检查 config.toml 里 base_url 是不是写成了 https://taotoken.net/api 而不是别的路径。如果 Key 刚生成，等几秒再试，有时候有同步延迟。还有一种情况是 Key 权限不够，去控制台确认这个 Key 有没有开对应模型的调用权限。

第二个是 local proxy failed。这个报错通常出现在 Codex 尝试走本地代理但代理没起来的时候。检查你的环境变量里有没有 HTTP_PROXY 或 HTTPS_PROXY 指向一个不存在的端口。如果有，临时清掉再试。另外 config.toml 里不要写 proxy 字段，除非你确实有本地代理服务在跑。

第三个是 reading choices 相关报错，比如 KeyError: 'choices' 或者 response 里没有 choices 字段。这多半是接口返回了错误结构，常见原因是 wire_api 设错了。如果你用的是 chat 补全接口，wire_api 填 chat；如果用的是 responses 接口，填 responses。填错会导致解析失败。还有一种可能是 Model ID 写错，服务端返回了错误 JSON，解析时找不到 choices。

第四个是 OAuth 相关报错。Codex 某些版本会尝试 OAuth 登录流程，如果你用的是 API Key 模式，需要在配置里明确禁用 OAuth。检查 config.toml 里有没有 prefer_oauth 之类的字段，有的话设成 false。如果报错信息里出现 token refresh failed，说明它在尝试刷新一个不存在的 OAuth token，同样是把认证模式切回 API Key 就行。

第五个是 PyAEDT 侧的报错，最常见的是 COM 接口连接失败，报错类似 "Failed to connect to AEDT"。检查 AEDT 有没有装好，版本号在 specified_version 里写对，2025.2 就写 "2025.2"。如果 AEDT 已经在运行，new_desktop_session 设成 False 复用现有会话。还有网格报错 "mesh generation failed"，多半是线圈和磁芯有重叠，检查 core_gap 是不是留了 1 mm。

第六个是动画导出报错 "ffmpeg not found"。matplotlib 存 MP4 需要 ffmpeg，装一下：

pip install imageio-ffmpeg

然后在脚本里指定 writer 路径，或者把 ffmpeg 加到系统 PATH。

排查顺序建议：先确认 API 三件套（Base URL、Key、Model ID）都对，再确认 Codex 能正常返回，最后才查 PyAEDT 和 AEDT 的问题。这样能避免在错误的方向上浪费时间。

6. 继续把模型升级成场路联合仿真

跑通基准模型后，下一步是逐步加真实度。我建议的升级顺序是：先加显式多匝螺旋线圈替代等效圆环，观察匝间电容和高频损耗的影响；再加真实 Litz 线材料参数，把铜的趋肤效应和邻近效应算进去；然后加铝屏蔽板，看它对耦合和漏磁的抑制效果；最后加整流负载和金属异物，做场路联合仿真。

参数扫描这块，基准模型已经扫了线圈间距、横向偏移和磁芯厚度。间距从 10 mm 增到 30 mm，耦合系数从约 0.294 降到 0.094，整体效率从约 40.2% 降到 5.57%，说明轴向距离是最敏感的参数。横向偏移从 0 增到 15 mm，耦合系数从 0.170 降到 0.135，效率降到约 11.15%，实际产品必须考虑定位容差。磁芯厚度从 3 mm 增到 7 mm，效率从约 15.60% 提到 17.27%，提升有限，与其加厚磁芯不如缩短线圈距离。

如果你想把 Codex 用在长期编码和 Agent 场景，比如让它自动跑参数扫描并汇总结果，可以看看 Coding Plan 的用法，入口在 https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。模型对话调试提示词用 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite ，接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。

最后说个实用技巧：把每次仿真的参数和结果存成 CSV，Codex 可以直接读 CSV 帮你画对比曲线和写分析报告。我现在的流程是 PyAEDT 跑完自动导出 results.csv，然后让 Codex 读这个文件生成参数敏感性分析的文字总结，省掉大量手工整理时间。这个简化模型还不能直接用于产品定型，但用来做方案验证和参数筛选已经够用了。