AI 正在改变软件开发方式。过去需要从零编写的程序，现在可以用自然语言描述需求，再由 AI 生成代码初稿。
PLC 开发中也是如此，工程师只需描述一个电机启停逻辑、一套水箱液位控制，或者一个四层电梯控制器，AI 就能生成相应的 PLC 程序。
但从工业现场的角度看，问题并没有到此结束。
PLC 控制的是产线、设备、阀门、电梯和安全联锁。它不是"代码看起来对"就可以交差，而是必须确认：程序能不能编译，运行时是否符合需求，异常场景下会不会出错，现场人员能不能理解它的控制行为。
一个共识正在形成：AI 写 PLC 代码不是终点，工程闭环才是 PLC 智能化开发的关键。
针对这一方向，上海交通大学联合 Sema 研究团队推出SemaPLC：把 AI Agent 与 PLC 工程工具链彻底连接起来，让自然语言需求可以一路走到可编译、可验证、可仿真的控制程序。
这不是一次普通的功能增强，而是一次开发方式的变化：从" AI 帮人写一段代码"，变成" AI 参与 PLC 程序从需求到验证的完整流程"。
SemaPLC 架构：Agent 即工程闭环
SemaPLC 不是把一个聊天窗口简单接到代码编辑器上，而是一个面向 PLC 开发全流程的 AI 智能工作台。
它的核心设计思路是：将 AI Agent 与 PLC 编译、运行、变量读写、行为验证、过程仿真等工程能力解耦封装，并以工具套件的形式提供，让 PLC 智能化开发能力既能在 IDE 里使用，也能被其他系统集成和复用。
这意味着 SemaPLC 不是一个孤立的终端应用，而是一套面向工程团队的基础设施：上层可以接入不同的大模型，中间由 Agent 组织任务闭环，下层由 PLC 工具套件执行真实工程动作。
Web IDE：把复杂流程放进一个窗口
Web IDE 是用户直接使用的浏览器工作台。工程师可以在同一个界面里完成需求输入、代码查看、梯形图阅读、变量监控、验证结果查看和过程仿真。
这让原本分散在多个软件里的工作，被收拢到一个连续的交互流程中。
PLC 工具套件：让 AI 真正接入工程能力
PLC 工具套件负责底层工程动作，包括编译、部署运行、变量读取与强制、轨迹记录、行为验证和仿真生成。
PLC 开发通常遵循 IEC 61131-3 标准，其中结构化文本 ST 是一类常用的文本化编程语言。SemaPLC 围绕 ST 程序的生成、编译、运行和验证建立工具链，让 AI 生成的结果可以进入真实的 PLC 工程流程。
这些工具既可以被 Web IDE 调用，也可以通过命令行和 MCP 服务对外提供能力。也就是说，SemaPLC 不是一个只能在单一界面里使用的产品，而是一套可以被其他系统、插件或自动化流程复用的 PLC 智能化基础能力。
核心能力：从生成代码到验证行为
用自然语言生成 PLC 程序
用户可以直接描述控制需求，例如：
设计一个四层电梯控制器：按下楼层呼叫按钮后，对应指示灯亮起，电梯运行到目标楼层，到达后开门三秒，再自动关门。
SemaPLC 会根据需求生成 PLC 结构化文本程序。工程师可以直接阅读、修改和继续完善这份代码。
它适合快速生成常见控制逻辑的初稿，例如电机启停、急停联锁、交通灯、停车场闸机、水箱液位控制、电梯运行控制和顺序动作控制。
这里的重点不是替代工程师，而是让工程师更快进入"审查逻辑、完善工艺、确认行为"的阶段。
自动验证程序行为
SemaPLC 不只检查程序能不能编译，还会进一步检查程序运行起来是否符合需求。
以电梯控制为例，系统可以检查：
如果某个场景没有通过，SemaPLC 会给出变量变化和预期结果之间的差异，并让 AI 根据反馈继续修复程序。
这让 PLC 开发从"写完后凭经验判断"，变成"写完后有验证结果支撑"。
在浏览器里看到设备怎么动
PLC 控制逻辑通常藏在变量和代码里，不够直观。SemaPLC 把过程仿真直接放进浏览器，让用户能看到程序控制下的设备动作。
程序运行时，系统会实时读取 PLC 变量，并驱动画面中的设备元素变化。变量不再只是表格里的数字，而会变成可见的动作：电梯移动、门打开、指示灯点亮、水位上升、阀门开关。
这对开发、演示和培训都很有帮助。工程师可以更快发现逻辑问题，非专业人员也能更直观地理解程序到底在控制什么。
一个界面完成开发、验证和仿真
SemaPLC 把过去分散在多个工具里的工作，整合到一个浏览器窗口中。
对工程师来说，这意味着更少的工具切换、更快的调试反馈，以及更清晰的程序理解方式。
产品价值：让 PLC 智能化开发真正落到流程里
SemaPLC 的价值，不只是提高写代码的速度，更重要的是让 PLC 开发流程更清晰、更可验证、更容易协作。
实验验证：效果优于业界代表性方案
SemaPLC 的 Agent 闭环不只是产品理念。团队对它进行了系统的实证评估，研究结果已整理成论文在 arXiv 公开（SemaPLC: A Project-Grounded, Verification-Gated Agent Harness for PLC Code Generation），代码已在 GitHub 开源。
实验选取业界三个代表性系统作为基线：LLM4PLC、AutoPLC 和 Agents4PLC。为保证对比公平，所有方法调用相同的模型接口，并在 GPT、DeepSeek、Qwen、GLM、MiniMax 等 7 个主流大模型上分别评测。评测设置包含两个基准：函数级基准由 117 个独立的 PLC 功能块生成任务组成，由独立于生成过程的形式化验证工具统一判分；项目级基准由 65 个真实工业项目任务组成，覆盖十类工业装置，生成的控制逻辑必须能在既有项目中编译、部署并正确运行。
函数级评测：全部 7 个模型上第一
在最严格的验证通过率指标上，SemaPLC在全部 7 个模型上均排名第一，平均通过率72.6%，比最强基线 Agents4PLC（63.9%）高8.8个百分点。值得注意的是，即使搭配其中表现最弱的模型，SemaPLC 仍达到 67.5%，高于所有基线方法的平均水平。
项目级评测：三层指标全部领先
项目级评测从三个层面度量生成质量：程序能否在真实项目中通过编译（集成编译）、程序文本是否满足需求断言（静态行为）、部署到真实 PLC 运行时后行为是否与参考实现一致（动态行为）。SemaPLC在三项指标的均值上均排名第一。
差距最显著的是动态行为：SemaPLC 得分 52.2，比最强基线（31.4 分）高出20.8分，约为其1.7 倍。这一优势在全部 7 个模型上保持稳定，得分从未低于 30 分。相比之下，三个基线方法在各自表现最差的模型上会跌至个位数。
关键发现：真实运行验证不可替代
实验中最值得注意的现象是：各方法的静态行为得分相差不足 10 分，动态行为得分却差距悬殊。这说明代码"看起来正确"并不等于"运行正确"，只有把程序部署到真实运行时执行，才能区分方法的可靠性。这正是 SemaPLC 坚持验证闭环的依据：逐层对照的消融实验显示，规范检查、编译、运行时验证每叠加一层，动态行为分都会显著提升，从仅生成的 23.1 分逐步提升到 54.1 分。
实验还验证了这套闭环的模型无关性：与去掉验证闭环、仅让模型直接生成代码的对照组相比，接入闭环后所有模型均有提升，且模型越弱提升越大，最高提升 33.3 个百分点，模型之间的表现差距也显著收窄。对企业而言，这意味着无需绑定特定大模型，即可获得稳定的工程质量。
写在最后
过去，PLC 开发往往依赖分散工具和个人经验，AI 生成代码之后，工程师仍然需要承担大量确认、调试和验证成本。SemaPLC 希望改变这一点：工程师只需在第一步表达需求，后续的代码生成、编译检查、自动验证、过程仿真与结果反馈，都可以在闭环中自动完成。
这让 AI 不再只是"写代码的工具"，而是开始进入真实工程流程，成为 PLC 开发中的智能协作者。它最终交付的不是一段需要反复确认的代码，而是一个可验证、可仿真、可复用、可被信任的工程结果。SemaPLC 的核心价值，也正在于此：让 AI 编程从"能生成"走向"可交付"，真正成为工程师的助力。
论文地址：https://arxiv.org/abs/2608.18565
项目地址：https://github.com/midea-ai/SemaPLC
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
【学术投稿】请在工作日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉我们：你是谁，从哪来，投稿内容附上项目 / 主页链接，以及联系方式。
� � 我们会 ( 尽量 ) 及时回复你 : )
� � 点亮星标 � �
科技前沿进展每日见
大赢家配资提示：文章来自网络，不代表本站观点。
间群策略 把PLC仿真搬进浏览器，小参数模型也能实现高工程通过率
上上通 古尔曼：目前Siri相当于头部AI聊天机器人六个月前水平
怀远策略 G7央行将“围猎”通胀？全球经济“半壁江山”的命运 就在这三天！
