用AI读西门子PLC工程：OpenCode+博途MCP分析AF框架案例-平芜编程栈

如果你正在学西门子 PLC 编程，尤其是想啃“官方 AF 框架案例程序”这一类项目，大概率遇到过这种困境：TIA Portal 打开以后，OB、FB、FC、DB 几十上百个块，代码里注释写得挺规范，但就是看不出整体架构；想查一个变量的来源，要手动点开十几个程序块；网上搜中文解析，要么太浅，要么版本对不上。一个小时过去，还在原地打转。

这篇博文想介绍一条让 AI 帮你读代码的路径：把OpenCode当作 AI 编程助手，再接入一个博途 MCP 服务器，让 AI 能直接读取 TIA Portal 项目中的程序块、变量、调用结构，然后让它按你的要求自动分析 AF 框架案例。过去可能需要一个下午的人肉读代码，可以变成 5 分钟的问答式分析。

先说结论：这套组合真正值得关注的，不是“AI 能看懂 PLC 代码”这个噱头，而是它把你的学习模式从“人肉搜索”变成了“结构化提问”。你给 AI 一个分析任务，AI 不是凭想象编答案，而是通过 MCP 服务器拿到真实项目结构后再回答。这篇文章会按背景、概念、环境准备、安装配置、实际操作、验证排错的顺序讲完，文末也会给出安全边界和工程建议。

1. 这篇文章真正要解决的问题

1.1 AI 时代学 PLC，真正的瓶颈是什么

很多人以为学 PLC 的难点在于语法和指令，实际上对已经有编程基础的人来说，SCL 语言本身并不难。真正难的是读懂一个复杂工程的架构。

AF 框架类案例程序的特点，就是高度模块化、层次深、复用性强。你可能看到一个功能块里只有几十行代码，但它内部调用了其他功能块，那些功能块又有自己的背景数据块和中间变量。如果你想理解一个完整的控制流程，必须沿着调用链一层一层往下看。这种“读代码”的能力，靠的不是记忆力，而是经验。

传统学习方式有几个明显的痛点：

定位入口难：第一次打开项目，不知道从 OB1 还是 OB100 看起，更不知道哪些块是核心逻辑，哪些块只是辅助。
交叉引用靠肉眼：查一个变量被哪些块使用，需要在 TIA Portal 里逐个搜索、人工比对。
资料碎片化：官方 PDF、视频教程、论坛帖子各讲一块，很难组合成一张完整的地图。
中文资料少：很多高质量分析是英文或德文的，看的时候还要来回翻译。

这些痛点叠加在一起，劝退了不少想深入学 AF 框架的人。

1.2 传统读代码方式与 AI 辅助方式的对比

先看一张对比表：

对比项	传统人工读代码	OpenCode + 博途 MCP 辅助
定位程序入口	手动翻块、跟踪调用链	让 AI 扫描项目结构后直接指出
理解复杂功能块	逐行读 SCL，自己画逻辑	AI 分析输入输出、静态变量和调用关系
查找变量引用	逐个全局搜索	通过 MCP 工具查询引用关系
学习成本	依赖个人经验积累	依赖提问质量和上下文管理
出错风险	理解偏差不易发现	需要人工核对 AI 结论

这张表不是想说 AI 能替代工程师，而是说明：AI 在“信息检索”和“结构化解读”这两件事上，确实比人快。正好补上了学 AF 框架时最花时间的那部分。

1.3 什么是“AF 框架案例程序”

这里先做一个范围的界定。本文所说的 AF 框架，指的是西门子工程师社区、官方文档或培训材料中经常出现的一类“框架型示例程序”。它们的共同特征是：用 SCL / FBD 编写，结构高度模块化，包含完整的 OB、FB、FC、DB，并且按某种标准套路组织控制逻辑。

不同人手里的 AF 框架，细节可能完全不同。有的来自官方应用文档附带示例，有的来自开源仓库，有的来自培训机构的实战项目。但没关系，本文这套流程依赖的不是某一个特定项目，而是“规范的博途项目结构”。你手里的项目只要是 TIA Portal 能打开的，就基本适用。

2. 核心概念：OpenCode、MCP 与博途 MCP 服务器

2.1 OpenCode：终端里的开源 AI 编程助手

OpenCode 是一个开源 AI 编程助手，它最大的特点是可以直接在终端里运行。和常见的 AI 聊天网页不同，OpenCode 能感知当前项目目录，能读取文件，能执行命令，还能通过 MCP 协议调用外部工具。

很多新手会把它理解成“命令行版 ChatGPT”，这个理解不够准确。更准确地说，它是一个AI Agent 载体。你可以把它当成一个会编程的助手，它不仅能回答问题，还能参与“读项目、分析代码、改文件”这样的实际操作。

OpenCode 支持多种大模型，比如 Claude、GPT 系列，以及部分国产模型。实际接入时，你需要准备好对应模型的 API Key。具体支持情况，以 OpenCode 官方文档为准，本文重点演示通用思路。

2.2 MCP：AI 助手的 USB-C 接口

MCP 的全称是 Model Context Protocol，中文一般叫“模型上下文协议”。它可以理解为 AI 助手和外部工具之间的标准接口。

如果你用过 USB-C 接口，就很容易理解 MCP。USB-C 是一个统一接口，鼠标、键盘、显示器都可以通过它连接到电脑。MCP 做的事情类似：它让不同的 AI 助手，可以用统一的方式调用不同的外部工具。

一个 MCP 服务器，会暴露一组“工具”。比如：

读取某个目录下的文件列表；
解析某个 PLC 项目的块结构；
查询变量在哪些程序块中被使用；
读取 PLC 变量表的名称和注释。

AI 助手通过 MCP 协议调用这些工具，就能获取真实数据，而不是靠猜测。

2.3 博途 MCP 服务器解决什么问题

博途 MCP 服务器，是把西门子 TIA Portal（博途）项目信息封装成 MCP 工具的服务程序。它通常是借助 TIA Portal Openness 这类公开接口，读取项目文件中的程序块、变量、调用关系等结构化信息。

没有这个 MCP 服务器时，AI 拿不到你的博途项目内容，你只能把代码复制粘贴给 AI，或者让 AI 根据你的描述来猜。这种方式的问题很明显：代码量大、上下文塞不下，而且粘贴后往往丢失结构信息。

有了博途 MCP 服务器，AI 就可以在对话中主动去“查”项目，而不是被动等你去“喂”数据。对于分析和学习官方案例程序来说，这个能力非常实用。

需要说明的是，目前该领域的 MCP 服务器多以社区项目为主，安装前一定要确认项目维护状态、是否只读、版本兼容性等信息。如果你的博途版本比较新，优先选择更新活跃的 MCP 服务器实现。

2.4 为什么这套方案不能替代工程师

这里需要泼一盆冷水：AI 能帮你快速建立对项目的整体认知，但最终的安全性判断和工程决策，必须由人来完成。

PLC 程序直接控制现场设备。AI 对代码的理解可能有偏差，也可能因为上下文限制而漏掉关键逻辑。尤其是在分析安全相关逻辑、联锁保护、故障处理时，不能把 AI 的结论当最终结论。你仍然需要回到 TIA Portal 中，核对关键程序块。

所以，这篇博文的目标不是让你“完全交给 AI”，而是让你“用 AI 提升学习效率”。

3. 环境准备与前置条件

3.1 硬件与操作系统

因为 TIA Portal 博途通常运行在 Windows 环境，所以本文方案也以 Windows 为主。建议的硬件条件如下：

操作系统：Windows 10 / 11 64 位；
内存：16GB 以上，至少 8GB。如果你的博途项目和 AI 助手同时运行，内存越多越顺畅；
硬盘：留出至少 10GB 可用空间，博途安装本身比较占空间；
网络：需要能正常访问大模型服务的网络环境。

3.2 软件清单

软件	作用	说明
TIA Portal（博途）	西门子自动化项目集成开发环境	V16 到 V21 均可，关键是项目能被正常打开
OpenCode	AI 编程助手	开源，终端运行
Node.js	运行部分 MCP 服务器	很多 MCP 服务器通过 npx 启动
Git	版本管理与配置获取	可选，但推荐安装
大模型 API Key	驱动 AI 对话	按你选择的服务商获取

3.3 获取 AF 框架案例程序

AF 框架案例程序可以从以下渠道获取：

西门子官方网站的技术文档与示例库；
自动化技术社区的开源项目；
培训机构或资深工程师分享的练习项目。

无论从哪个渠道获取，都建议遵守两条原则：第一，不要直接用生产环境的真实项目做第一次试验；第二，先确认项目能在你的 TIA Portal 版本中正常打开。

如果项目版本比你安装的博途版本旧，打开时通常会提示升级；如果项目版本比你安装的博途版本新，可能无法打开。遇到这种情况，要么升级博途，要么换一个版本匹配的案例程序。

3.4 网络要求

OpenCode 要调用大模型 API，需要你的电脑能够正常访问对应的大模型服务。这里不涉及任何特殊网络配置，只需要正常的网络环境即可。

4. 安装 OpenCode 并完成基础配置

4.1 OpenCode 安装方式

OpenCode 的安装方式比较多，下面列出最常见的三种：

# 方式一：官方脚本安装（macOS / Linux） curl -fsSL https://opencode.ai/install | bash

# 方式二：Windows 下通过 scoop 安装 scoop install opencode # 方式三：使用 npm 安装（需要先安装 Node.js） npm install -g opencode-ai

安装完成后，打开一个新的终端窗口，验证是否安装成功：

opencode --version

如果你在安装后输入opencode提示“不是内部或外部命令”，通常是因为 PATH 环境变量没有生效。先重启终端，如果还不行，手动把 opencode 的安装目录加入系统 PATH。

4.2 模型服务配置

OpenCode 本身不内置模型，你需要为它配置一个可用的模型服务。常见的方式有两种：

第一种，在 OpenCode 配置文件中指定模型和密钥。不同版本的 OpenCode 配置字段可能有差异，下面是一个概念型示例：

{ "model": "claude-sonnet-4", "provider": "anthropic" }

第二种，通过环境变量方式配置密钥。例如：

# Windows PowerShell 临时配置 $env:ANTHROPIC_API_KEY = "你的API密钥"

更推荐的方式是使用 OpenCode 自带的登录配置命令，比如opencode auth login，按交互提示完成认证。具体以你安装的 OpenCode 版本为准。

4.3 理解 OpenCode 的工作方式

在项目目录中启动 OpenCode 后，它会读取当前工作目录，并加载可用的 MCP 服务器。之后你就可以在对话中让它分析代码、扫描项目。

注意一个关键点：OpenCode 的“工作目录”决定了它能看到哪些文件。建议把启动目录放在一个专门的 AI 分析工作区中，这样既方便管理，也能避免它误读到无关文件。

5. 接入博途 MCP 服务器

5.1 MCP 服务器在整体方案中的角色

在 OpenCode 和博途之间，MCP 服务器扮演的是“翻译官”和“数据通道”。它负责从 TIA Portal 项目文件中提取结构化信息，并把这些信息以“工具调用”的形式暴露给 OpenCode。

这样设计的好处是：AI 不需要一次性把整个项目代码读进上下文，而是按需查询。比如先查项目有哪些程序块，再查某个功能块的调用关系，效率比“全文阅读”高得多。

5.2 获取并安装博途 MCP 服务器

现在社区里已经有若干 TIA Portal / 博途相关的 MCP 服务器项目，搜索时建议关注以下几个点：

项目是否持续更新；
是否支持你的博途版本；
工具是否只读（尽量选择只读实现）；
文档是否完整，是否给出安装示例。

如果是 npm 包，安装方式一般是：

npm install -g tia-mcp-server

这里再次强调：实际包名要以你选择的项目为准，不要照抄。安装完成后，确认tia-mcp-server命令是否可用。

5.3 在 OpenCode 中注册 MCP 服务器

OpenCode 通过配置文件加载 MCP 服务器。常见的方式是在项目目录下创建opencode.json，内容如下：

{ "mcpServers": { "tia-portal": { "type": "stdio", "command": "npx", "args": ["tia-mcp-server"], "env": { "TIA_PROJECT_PATH": "C:/Users/你的用户名/Documents/Automation/AF_Example.ap18" } } } }

需要重点解释几个字段：

type：MCP 服务器的连接方式，stdio表示通过标准输入输出通信，这是最常见的方式；
command：启动命令，npx表示通过 Node.js 工具链启动；
args：传给启动命令的参数，一般就是 MCP 服务器的包名；
env：环境变量，这里用来指定博途项目路径。

路径中的斜杠建议使用/，避免反斜杠转义问题。如果项目路径中包含中文或空格，要确保 JSON 编码正确。

5.4 首次连接验证

启动 OpenCode，输入下面这句提示词：

请列出你现在能使用的所有 MCP 工具，然后尝试读取博途项目结构。

如果配置正确，AI 会回复它当前可用的工具列表，并尝试读取项目根结构。如果 AI 回复“没有找到 MCP 服务器”，优先检查opencode.json中command和args是否正确。

6. AI 自动分析 AF 框架案例：完整流程

6.1 先让 AI 建立项目全局认知

开始分析前，不要让 AI 直接去读某一个功能块，而是先建一张“项目地图”。推荐的第一条提示词：

请扫描当前博途项目，并输出以下内容： 1. 项目中包含哪些 OB 组织块，入口 OB 是哪一个； 2. 所有 FB 功能块的清单和大致职责； 3. FC 和 DB 的数量、命名规律； 4. OB 中调用了哪些主要功能块，调用顺序是怎样的。

这个步骤非常关键。因为你只有先了解全局，才能决定下一步深入分析哪个块。如果 AI 一上来就用很长的上下文去读某个局部代码，反而容易迷失。

6.2 针对具体功能块深度分析

拿到项目地图后，可以选一个典型功能块做深度分析。比如 AF 框架里的电机控制块、阀门控制块或数据处理块，提示词可以这样写：

请分析项目中的 FC_MotorControl 这个功能块： 1. 它的输入参数和输出参数分别是什么含义； 2. 内部用到了哪些静态变量和临时变量； 3. 核心 SCL 逻辑的执行顺序是什么； 4. 它与哪些 DB 和 FC 存在耦合关系； 5. 如果要修改它的启动逻辑，需要注意哪些依赖。

这种提问方式的优势在于：把“读代码”变成“带着问题读代码”。AI 会沿着你关心的方向去查项目，而不是漫无目的地解释。

6.3 让 AI 输出调用结构和依赖说明

理解架构时，最有用的是“调用链”。你可以让 AI 用文字形式输出：

请用文本形式输出 OB1 到主要功能块的调用链，格式如下： OB1 ├── FC_Init │ └── DB_GlobalData ├── FB_MotorControl │ ├── FC_StartPreparation │ ├── FC_SpeedRamp │ └── DB_MotorData └── FB_HmiInterface └── DB_HmiData

这样你就能一眼看出程序的骨架，再结合 TIA Portal 中的交叉引用功能去验证，学习效率会高很多。

6.4 用提问模板实现“5 分钟分析”

以下是我在实际学习流程中比较常用的几个提示词模板，可以直接复制替换项目名和块名：

请读取博途项目，整理出 AF 框架的核心程序架构，并用表格输出主要程序块的职责。

请分析 DB_MotorData 中各个变量的用途，并指出哪些变量会被外部块写入，哪些只是内部使用。

请对比 FB_MotorControl 和 FB_ValveControl 两个功能块的结构差异，总结这类框架中“控制逻辑复用”的套路。

如果我想把其中一个功能块的定时器参数做成 HMI 可调，请给出修改建议，并指出会影响哪些块。

使用模板时，验证习惯也很重要。每问完一个问题，就到 TIA Portal 里抽查一个关键结论是否正确。

6.5 把分析结果沉淀成自己的笔记

AI 分析完只是第一步，更值得做的是把结论变成笔记。你可以新建一个 Markdown 文件，把 AI 的回答复制进去，再手动标注“已验证”和“待验证”。

这样做的好处是：下次再读到同类框架时，不需要重新分析一遍，直接看笔记即可。这也是 AI 辅助学习最重要的习惯。

7. 运行效果验证与结果核对

7.1 到底怎么判断 AI 分析是否正确

AI 给出的分析结论，不能直接当作最终答案。验证方式有三个层次：

项目结构验证：AI 说项目有 18 个 FB、30 个 DB，对照 TIA Portal 左侧的项目树数一遍即可；
调用关系验证：AI 说 OB1 调用了 FC_Init，在 TIA Portal 中打开 OB1，查看块调用部分确认即可；
变量引用验证：AI 说某个变量只被一个功能块使用，可以用 TIA Portal 的交叉引用功能查一遍。

如果 AI 结论与项目实际不一致，不用急着怀疑 AI 能力有高低，更常见的原因是 MCP 服务器读取范围有限、项目路径设置错误，或者提示词本身描述得太宽泛。

7.2 一次完整的对话示例

下面是一个简化的运行效果示例，方便你理解整个交互过程：

你：请扫描当前博途项目，先输出 OB 和 FB 清单。 AI：当前项目共包含： - 组织块 OB：OB1、OB100、OB10，共 3 个； - 功能块 FB：18 个，其中 FB_MotorControl 为核心控制块； - 函数 FC：12 个； - 数据块 DB：30 个。 你：OB1 调用了哪些主要块？ AI：根据调用关系，OB1 首先调用 FC_Init 完成初始化，然后按条件调用 FB_MotorControl、FB_ValveControl 和 FB_HmiInterface。

这种交互的意义在于，AI 的回答是基于真实项目数据的。你需要做的只是在关键节点上抽查确认。

7.3 失败场景举例

如果 AI 回答“没有读取到项目结构”，最常见的原因是项目路径不对。比如路径指向了 TIA Portal 的安装目录，而不是实际的博途项目文件。博途项目文件一般带有.ap16、.ap17、.ap18或.ap21之类的后缀，取决于你使用的博途版本。

另一种情况是博途项目仍处于打开状态，文件被占用，MCP 服务器无法读取。建议在 AI 分析前关闭 TIA Portal 中的重复实例，只保留一个项目会话。

8. 常见问题与排查思路

下面这张表总结了最容易遇到的几个问题：

问题现象	可能原因	排查方式	解决方案
输入`opencode`提示无法识别	安装后 PATH 未生效，或安装失败	在 PowerShell 中执行`Get-Command opencode`	重启终端，手动将安装目录加入 PATH
MCP 服务器启动失败	Node.js 版本过低，或包版本不兼容	执行`node --version`和`npx --version`	升级 Node.js，或安装 MCP 服务器指定版本
AI 说看不到项目结构	MCP 配置路径错误，或未真正连接	让 AI 先列出可用工具	检查`opencode.json`中的路径与 command 字段
博途项目文件被占用	TIA Portal 正在打开该项目	关闭 TIA Portal 其他实例	只保留一个博途项目会话
AI 分析结果与代码不一致	上下文太长被截断，或提示词范围太宽	把分析范围缩小到一个块或一个变量	拆分问题，分步提问
博途打开项目提示版本需要升级	项目版本比当前博途版本旧	确认项目备份已完成	升级前先备份原项目

除表格外，还有一条通用排查顺序：先看日志，再看配置，最后换提示词。MCP 服务器通常在终端会输出日志，启动失败时优先看日志中的报错信息，而不是反复重装。

9. 最佳实践、安全边界与后续学习建议

9.1 安全边界：只读分析，永远优先

用 AI 分析博途项目时，最应该关注的是安全边界。

第一次试验，请使用测试项目或官方示例，不要直接用生产项目的原件；
如果 MCP 服务器实现了“写入”类工具，默认关闭或严格限制授权；
分析前对博途项目文件做完整备份；
对待分析的项目，注意工程本身是否有保密要求，涉及商业机密的信息不要随意传到外部模型服务；
不要因为 AI 给出了修改建议，就直接在真实设备或生产项目上操作。

简单说：AI 可以帮你读懂代码，但工程变更仍然要在测试环境验证，并通过正规的变更流程来实施。

9.2 提问策略与提示词优化

用 AI 分析代码，提示词质量直接决定结果质量。几个实用的策略：

一个提示词只问一个层次的问题。先问结构，再问调用，最后问变量；
让 AI 给出“依据”。不要接受单纯结论，要求它指出结论来自哪个程序块或哪段代码；
涉及逻辑判断时，让 AI 用“可能”“需要人工确认”这样的语气标注不确定性；
把常用提示词保存下来，形成自己的分析模板库。

9.3 后续可以继续深入的方向

如果你学完这套流程，想往更深的层次走，可以从下面几个方向中选择：

学习 SCL 语言本身：AI 能帮你解释代码，但扎实的语法基础仍然是你的核心竞争力；
学习 TIA Openness：博途 MCP 服务器的底层能力来自博途开放接口，掌握它你就能自己写定制化分析工具；
编写自己的 MCP 服务器：把你常用的博途查询逻辑封装成 MCP 工具，让 AI 在更多场景里帮你处理工程任务；
从“分析代码”过渡到“生成代码”：基于 AF 框架的理解，让 AI 帮你生成符合框架风格的新功能块，再在测试项目中验证。

9.4 一个可以直接上手的下一步

如果这篇文章只保留一个建议，那就是：下载一个官方 AF 框架示例项目，按本文第 5、6 节完成 OpenCode 和博途 MCP 服务器的接入，然后先从“扫描项目结构”开始，再选一个典型功能块做深度分析。

整个过程不需要写一行代码，核心是熟悉配置和提问节奏。跑通一次以后，你就能把同样的方法用到你自己手头需要维护的博途项目里。这也正是 AI 辅助工业自动化开发最有价值的地方：它并不替代你的工程判断，但它能帮你把时间从“找代码”里抢回来，用回到“想逻辑”上。