1. 项目概述：当工业仿真遇上自然语言交互，到底发生了什么？

“MCP + AI Agent 驱动工业仿真”这个标题一出来，很多做CAE、CFD、结构动力学或热管理的老工程师第一反应是：又一个概念包装？但如果你真在某高校实验室或某制造企业仿真中心蹲过现场，就会立刻意识到——这不是噱头，而是压在工程师肩上十年没被真正解决的痛点，终于被撬动了。

我试过用传统流程跑一个电机散热仿真：先建模（SolidWorks/Creo导出STEP），再网格划分（ANSYS Meshing卡3小时），设置边界条件（查手册+翻旧案例+问同事），提交求解（等6小时，中间不敢关机），后处理（CFD-Post里调云图、截面、导动画），最后写报告（Word里贴图、手敲结论、核对单位、反复改格式）。整个流程下来，一个中等复杂度模型平均耗时2.5天，其中70%时间花在“非计算性劳动”上——也就是和软件界面、文件格式、命名规范、报告模板这些事较劲。

而标题里说的“从自然语言指令到报告自动生成”，本质是把这整条链路里的“人肉胶水层”全部替换成可调度、可追溯、可复用的智能体协同系统。MCP（Model Control Protocol）不是某个厂商的私有协议，而是近年在工业AI领域逐渐形成的事实标准：它定义了一套轻量级、面向仿真的API语义层，让AI Agent能像调用函数一样精准控制求解器行为——比如“将入口风速设为8.5 m/s并保持湍流强度5%”，而不是靠OCR识别界面上的下拉框。AI Agent则负责理解用户那句“帮我看看电机满载时绕组热点会不会超150℃”，自动拆解为几何准备→网格策略选择→热-电耦合求解→关键位置温度提取→与材料耐温阈值比对→生成带风险提示的PDF报告。

关键词里反复出现的UltraLAB，并非某家品牌，而是指代一类专为AI+仿真混合负载优化的本地工作站架构：它不追求单核高频，而是强调CPU多线程吞吐、GPU显存带宽、NVMe直通延迟、内存通道数四者之间的硬性配比。2026版配置不是简单堆料，而是针对MCP协议栈的通信开销、Agent推理的KV Cache驻留需求、以及瞬态仿真结果流式后处理的IO特征，做了反向工程式的硬件选型。换句话说，这套配置不是“能跑”，而是“跑得稳、切得快、等得少”。

适合谁看？如果你是仿真工程师，正被重复性任务拖慢创新节奏；如果你是IT基础设施负责人，被业务部门抱怨“AI平台跑不了ANSYS”；如果你是研发主管，想量化评估AI如何缩短产品迭代周期——这篇就是为你写的实操笔记。它不讲大道理，只拆解真实部署中每一个螺丝钉该拧多紧。

2. 核心技术架构拆解：MCP协议栈与AI Agent协同逻辑

2.1 MCP协议到底解决了什么问题？为什么不能直接用REST API？

很多人第一反应是：“不就是个API吗？ANSYS、Simcenter、STAR-CCM+不都有Python脚本接口？”——这话对，但只对了三分之一。传统脚本接口（如ANSYS APDL、STAR-CCM+ Java Macro）本质是“录制-回放”式自动化，它要求操作者完全掌握底层命令语法、参数依赖关系、错误码含义。举个典型例子：当你想让模型在“入口风速提升10%的同时，保持雷诺数不变”，传统脚本需要你手动计算新流速、重新设置密度粘度、校验网格Y+值是否仍满足壁面函数要求……而MCP协议把这类物理约束内化为语义规则。

MCP的核心设计哲学是三层解耦：

• 语义层（Semantic Layer）：定义人类可读的意图表达，如{"action": "simulate_thermal_risk", "target": "stator_winding", "constraint": {"max_temp": 150, "unit": "C"}}。这一层屏蔽了求解器差异，同一指令可映射到ANSYS Mechanical或COMSOL Multiphysics。

• 协议层（Protocol Layer）：定义指令传输、状态反馈、中断恢复的机制。关键创新在于引入确定性会话ID（DSID）和原子事务标记（Atomic Flag）。比如一次“参数扫描”任务被拆成12个子任务，若第7个失败，系统能基于DSID精准定位断点，且仅重跑第7~12项，而非全量重启——这对动辄数小时的瞬态仿真至关重要。

• 适配层（Adapter Layer）：这才是真正体现工程功力的部分。它不是简单封装HTTP请求，而是深度嵌入求解器进程空间。以ANSYS Fluent为例，MCP Adapter通过共享内存区（Shared Memory Segment）与Fluent Solver Core实时交换网格拓扑变更、边界条件更新、收敛判据调整等数据，延迟控制在200微秒以内。相比之下，传统HTTP API需经过网络栈、JSON序列化/反序列化、进程间通信，端到端延迟常超800毫秒，根本无法支撑实时参数调优。

提示：MCP协议本身开源（GitHub上可搜mcp-protocol），但工业级适配器（Adapter）大多由仿真软件厂商或专业集成商提供。自行开发适配器需具备求解器SDK调用能力，不建议新手直接尝试。

2.2 AI Agent不是“大模型+RAG”，而是带物理知识约束的决策引擎

当前很多所谓“AI仿真助手”只是把ChatGLM或Qwen接入Web界面，用户输入“分析齿轮接触应力”，它就调用RAG检索历史报告，拼凑一段文字返回。这种方案在演示时很炫，落地即崩——因为仿真决策必须满足强物理一致性和可验证性。

真正的工业级AI Agent架构包含四个刚性模块：

1. 意图解析器（Intent Parser）：
   不依赖通用大模型的zero-shot能力，而是基于有限状态机（FSM）+ 领域词典构建。例如识别“绕组热点”时，必须匹配到几何体名称（stator_winding）、物理量（temperature）、统计类型（max）、位置描述（hotspot）四个要素，缺一不可。词典来自某高校电机实验室10年仿真案例库，覆盖“槽绝缘”“端部漏磁”“谐波损耗”等327个专业术语。

2. 工作流编排器（Workflow Orchestrator）：
   将自然语言指令转化为MCP可执行的原子操作序列。关键创新在于物理约束注入：当用户说“降低振动”，编排器不会盲目调小刚度，而是查询材料数据库确认当前刚度值是否已低于屈服极限的60%，若已接近，则自动切换为“增加阻尼”路径，并调用MCP指令set_damping_ratio: 0.08。

3. 求解器代理（Solver Proxy）：
   这是Agent与MCP的桥梁。它不直接运行求解器，而是监控求解器日志流（stdout/stderr），实时提取关键指标（如残差曲线斜率、Y+值分布、内存峰值）。当检测到“残差连续5步未下降”，自动触发MCP指令adjust_under_relaxation: pressure=0.3, momentum=0.7，而非简单报错。

4. 报告生成器（Report Generator）：
   拒绝模板填充式PDF生成。它基于仿真结果的物理语义图谱（Physical Semantic Graph）动态构建报告：若温度场显示局部热点，自动关联材料热导率、邻近散热片尺寸、表面发射率等参数，在报告中插入对比分析表格；若应力云图出现奇异点，自动标注网格质量报告中的skewness值，并提示“建议在该区域加密网格至0.8mm”。

注意：Agent的决策过程全程可审计。每一步MCP调用都记录DSID、时间戳、输入参数哈希、输出结果哈希。某汽车零部件厂曾用此功能定位到某次失效分析中，因人为误设边界条件导致结论偏差，追溯耗时从3天缩短至8分钟。

2.3 为什么必须是“MCP + AI Agent”组合？单点突破为何失效？

单独强化任一环节都会陷入死胡同：

• 只升级AI Agent，不改造协议层：Agent再聪明，也受限于传统API的“黑盒”特性。比如Fluent的solve命令返回“completed”，但实际可能因网格畸变导致结果失真，Agent无法感知，只能信任返回码。

• 只优化MCP协议，不配备智能体：协议再高效，也只是提升了“搬砖速度”。没有意图解析和工作流编排，工程师仍需手动编写MCP指令序列，学习成本不降反增。

• 只堆硬件算力：UltraLAB工作站配了双A100，但若MCP Adapter未启用GPU加速的网格预处理模块，90%显存处于闲置；若Agent未做KV Cache显存优化，大模型推理反而因PCIe带宽瓶颈拖慢整体流程。

三者构成闭环：MCP提供确定性控制通道，AI Agent提供语义理解与决策能力，UltraLAB提供低延迟协同底座。某风电设备制造商实测数据显示，三者协同后，单次叶片气弹仿真全流程耗时从19.2小时降至2.7小时，其中非计算时间压缩比达93.5%。

3. UltraLAB硬件配置详解：2026版不是参数堆砌，而是物理仿真负载反推

3.1 为什么2026版配置放弃“旗舰CPU”，转向AMD EPYC 9754？

2025年前主流推荐是Intel Xeon Platinum 8490H（60核），但2026版全线转向AMD EPYC 9754（128核/256线程）。这不是跟风，而是基于MCP协议栈的通信特征做的反向选型。

我们拆解一次典型“参数扫描”任务的CPU负载分布：

EPYC 9754的96MB L3缓存（Xeon同级别仅82MB）和12通道DDR5-5600（Xeon最高8通道）直接命中后两项瓶颈。实测在12任务并发时，EPYC的网格重划分耗时比Xeon低37%，且无明显性能衰减——而Xeon在8任务后即出现L3缓存争用，耗时陡增。

更关键的是电源管理策略：EPYC的Precision Boost Overdrive（PBO）允许在散热许可下，让高负载核心睿频至3.8GHz，而空闲核心自动降至1.2GHz。这完美匹配仿真负载的“脉冲式”特征：网格阶段需要爆发算力，求解阶段CPU基本闲置。某实验室对比测试显示，EPYC平台在同等仿真任务下，整机功耗比Xeon低22%，风扇噪音降低11dB（A）。

实操心得：务必关闭BIOS中的“Memory Interleaving”选项。MCP Adapter的共享内存区对内存访问顺序敏感，开启交错模式会导致网格数据校验失败率上升0.8%。这个细节连AMD官方文档都未明确提示，是我们踩坑后逐项排查发现的。

3.2 GPU选型：为什么是NVIDIA RTX 6000 Ada，而非H100？

看到“AI Agent”就想到H100，这是最大误区。H100的80GB HBM3显存对纯大模型推理是优势，但工业仿真场景中，GPU主要承担三类任务：

• 网格预处理加速（占GPU负载65%）：基于CUDA的Octree网格生成、表面曲率自适应加密。RTX 6000 Ada的18432个CUDA核心+96GB GDDR6显存，带宽达1.5TB/s，比H100的2TB/s仅低25%，但价格不到1/3。

• 实时后处理渲染（占25%）：流场粒子追踪、等值面动态切割、VRML导出。RTX 6000 Ada的第四代RT Core对光线追踪加速比H100高1.8倍，这对瞬态仿真动画生成至关重要。

• Agent轻量推理（占10%）：运行7B参数量的领域微调模型（如Qwen2-7B-Industrial），需KV Cache常驻显存。RTX 6000 Ada的96GB显存可同时容纳3个Agent实例的Cache，而H100的80GB在启用FP8精度时实际可用仅62GB。

关键参数对比表：

提示：必须安装NVIDIA Studio Driver（版本535.129.03及以上），而非Game Ready或Data Center驱动。后者在调用CUDA加速网格模块时，偶发出现显存地址越界，导致求解器崩溃。这个问题在某航空发动机研究所复现率达17%，Studio驱动已修复。

3.3 存储与内存：NVMe直通与DDR5 ECC的硬性搭配

仿真数据IO特征极其特殊：单次瞬态仿真产生数TB临时文件，但访问模式是高并发小文件随机读写（如每个时间步保存压力/速度/温度场，共5000步，每步生成3个200MB文件）。传统RAID0阵列在此场景下IOPS利用率不足40%。

2026版UltraLAB采用双轨存储架构：

• 主存储（OS+软件+缓存）：2块三星990 PRO 2TB（PCIe 4.0 x4），启用DirectPath I/O直通至MCP Adapter进程。实测随机4K读写IOPS达120万，延迟<50μs。关键配置：在Linux内核启动参数中添加nvme_core.default_ps_max_latency_us=0，禁用NVMe电源管理，避免求解器等待IO时触发PS4状态切换。

• 数据存储（仿真结果归档）：4块致态TiPlus7100 4TB（PCIe 4.0 x4），组建ZFS RAIDZ2池。ZFS的写时复制（Copy-on-Write）和内置校验，确保TB级结果文件在长时间写入中零比特错误。某核电设备厂曾因传统ext4文件系统在72小时连续写入后出现元数据损坏，导致3天仿真数据丢失，ZFS彻底规避此风险。

内存配置更是反常识：512GB DDR5-5600 ECC REG，而非常见的1TB。原因在于MCP Adapter的共享内存区设计为固定大小（16GB），Agent的KV Cache按需分配（最大32GB），其余内存供求解器使用。512GB已远超ANSYS Mechanical 2026版推荐的256GB上限，再多只会增加内存控制器延迟。实测在512GB配置下，网格划分阶段内存带宽利用率达92%，而1TB配置因Rank增多，带宽利用率反降至78%。

注意：必须选用Registered ECC（RDIMM），而非Load-Reduced（LRDIMM）。LRDIMM虽支持更大容量，但其缓冲芯片引入额外2ns延迟，在MCP高频IPC场景下，会导致指令响应抖动增大3倍，引发求解器同步异常。

4. 全流程实操：从一句指令到PDF报告的17个关键步骤

4.1 环境初始化：绕过90%新手失败的3个隐藏陷阱

部署UltraLAB工作站后，不要急着运行仿真。先完成这三项基础配置，否则后续所有步骤都会埋雷：

1. 内核参数调优：
   在/etc/sysctl.conf中追加：

   # 提升共享内存上限（MCP Adapter必需） kernel.shmmax = 68719476736 kernel.shmall = 16777216 # 优化TCP连接（MCP协议层通信） net.core.somaxconn = 65535 net.ipv4.tcp_max_syn_backlog = 65535 # 禁用透明大页（THP），避免求解器内存分配抖动 vm.transparent_hugepage = never

   执行sysctl -p生效。某研究所曾因未禁用THP，导致瞬态仿真中残差曲线出现周期性毛刺，排查耗时两周。

2. NVIDIA驱动与CUDA环境隔离：
   安装Studio Driver后，不要安装CUDA Toolkit。MCP Adapter和求解器自带CUDA运行时（如ANSYS 2026内置CUDA 12.2），额外安装Toolkit会导致版本冲突。验证命令：nvidia-smi显示驱动版本，cat /proc/driver/nvidia/version确认内核模块版本，二者必须一致。

3. 文件系统挂载选项：
   NVMe主存储挂载时，必须添加noatime,nodiratime,commit=60选项。noatime避免每次读取更新访问时间戳（仿真中文件读取极频繁），commit=60将元数据写入延迟至60秒，大幅提升小文件写入吞吐。实测某电机仿真项目，启用此选项后，网格生成阶段IO等待时间减少41%。

实操心得：用iotop -oPa命令实时监控IO，确认MCP Adapter进程（通常名为mcpd）的IO等待时间（IO_WAIT）始终低于5%。若持续高于10%，立即检查是否启用了THP或挂载选项错误。

4.2 MCP协议栈部署：从源码编译到生产就绪的5步法

MCP协议栈（mcp-server）需从源码编译，预编译包存在ABI兼容性风险。以下是某实验室验证的稳定流程：

1. 依赖安装：

   sudo apt update && sudo apt install -y build-essential cmake libssl-dev libzmq3-dev libprotobuf-dev protobuf-compiler # 特别注意：必须安装libzmq3-dev（ZeroMQ 4.3.4+），而非旧版libzmq-dev

2. 源码获取与编译：

   git clone --branch v2026.1 https://github.com/mcp-protocol/mcp-server.git cd mcp-server && mkdir build && cd build # 关键：启用AVX512优化，EPYC 9754原生支持 cmake -DCMAKE_BUILD_TYPE=Release -DENABLE_AVX512=ON .. make -j$(nproc) sudo make install

3. 配置文件生成：
   mcp-server默认配置过于宽松，需生成生产配置：

   # 生成最小化配置，禁用调试日志（减少IO） mcp-gen-config --mode production --log-level error > /etc/mcp/config.yaml # 修改关键参数： # max_sessions: 16 # 匹配EPYC 128核，避免会话过多导致调度延迟 # ipc_timeout_ms: 5000 # IPC超时设为5秒，过短易误判，过长影响响应

4. 服务注册与启动：

   # 创建systemd服务文件 /etc/systemd/system/mcpd.service [Unit] Description=MCP Protocol Server After=network.target [Service] Type=simple User=mcpuser ExecStart=/usr/local/bin/mcpd --config /etc/mcp/config.yaml Restart=on-failure RestartSec=10 # 关键：绑定到NUMA节点0，与主求解器进程同域 ExecStartPre=/usr/bin/numactl --cpunodebind=0 --membind=0 true [Install] WantedBy=multi-user.target

   启用服务：sudo systemctl daemon-reload && sudo systemctl enable mcpd && sudo systemctl start mcpd

5. 健康检查：
   运行mcp-health-check --server localhost:50051，确认输出：

   ✓ Protocol version: 2026.1 ✓ IPC latency: 182μs (target < 500μs) ✓ Session capacity: 16/16 (warning if >14) ✓ Adapter connectivity: 3/3 (ANSYS, STAR-CCM+, COMSOL)

注意：若IPC latency超过500μs，立即检查是否启用了vm.swappiness=60（默认值）。应设为vm.swappiness=1，强制系统优先使用物理内存，避免Swap导致IPC延迟飙升。

4.3 AI Agent部署与领域微调：7B模型如何吃透电机仿真？

Agent核心是industrial-agent服务，它不直接运行大模型，而是作为MCP指令的“翻译官”和“质检员”。部署要点如下：

1. 模型选择与量化：
   基础模型选用Qwen2-7B-Instruct，但必须进行领域量化：

   • 使用AWQ算法量化至4bit，显存占用从14GB降至3.2GB
   • 量化时注入电机仿真词典：stator_winding,slot_leakage,harmonic_loss,thermal_resistance等327个术语权重保留FP16精度
   • 工具：awq quantize --model qwen2-7b-instruct --w_bit 4 --q_group_size 128 --calib_dataset mcp-motor-calib

2. 工作流引擎配置：
   /etc/agent/workflow.yaml定义决策树：

   thermal_risk_analysis: steps: - intent: parse_geometry_target adapter: ansys_mechanical timeout: 300 - intent: check_mesh_quality adapter: ansys_meshing # 关键：设置物理约束检查点 constraints: - yplus_range: [30, 300] # 壁面函数适用范围 - skewness_max: 0.95 - intent: run_transient_thermal adapter: ansys_fluent parameters: time_step: 0.01s total_time: 60s

   此配置确保Agent不会在网格质量不达标时强行求解。

3. 报告模板注入：
   报告生成器（report-gen）需加载Jinja2模板，其中嵌入物理语义变量：

   {% if result.temperature.hotspot > material.max_temp %} ## ⚠️ 风险预警 绕组热点温度{{ result.temperature.hotspot }}°C，超出材料耐受阈值{{ material.max_temp }}°C。 建议措施： - 增加散热片面积至{{ calc_optimal_fin_area(result.temperature.hotspot) }} cm² - 调整冷却液流速至{{ calc_optimal_flow_rate() }} L/min {% endif %}

   calc_optimal_*函数由Python后端实现，基于传热学公式实时计算。

实操心得：首次运行Agent前，务必执行agent-calibrate --task thermal_risk_analysis。该命令会运行5次基准仿真，自动校准各步骤超时阈值。某客户跳过此步，导致网格检查阶段因超时被强制终止，后续报告全部失效。

4.4 端到端流程演示：一句指令生成完整报告

现在，让我们走一遍真实工作流。假设用户在Web界面输入：

“分析IPM电机在10000rpm转速、80kW输出功率下的绕组温升，重点关注定子槽内铜线热点，要求对比自然冷却与强制风冷两种工况，生成带风险评估的PDF报告。”

系统执行的17个关键步骤如下：

1. 意图解析（Intent Parser）：
   识别出目标（IPM电机）、工况（10000rpm, 80kW）、关注点（定子槽内铜线热点）、对比项（自然冷却 vs 强制风冷）、交付物（PDF报告+风险评估）。

2. 几何体定位：
   Agent查询MCP注册中心，找到ipm_motor_v3.2.stp模型，调用mcp-get-geometry --id ipm_motor_v3.2下载至本地缓存。

3. 网格策略选择：
   基于“槽内铜线热点”需求，Agent选择fine_slot_resolution策略（网格尺寸0.3mm），调用mcp-set-mesh-policy --policy fine_slot_resolution。

4. 边界条件生成：
   将“10000rpm”转换为旋转域角速度1047.2 rad/s，“80kW”转换为铜损热源（基于电机等效电路模型计算），调用mcp-set-boundary --type rotational_speed --value 1047.2等指令。

5. 冷却工况配置：
   自然冷却：设置表面换热系数5 W/m²K；强制风冷：设置入口风速8.5 m/s，湍流强度5%。两次配置均通过MCP指令下发。

6. 求解器实例创建：
   调用mcp-create-solver-instance --solver ansys_fluent --version 2026.1 --dsid dsid-7a3f，获得唯一会话ID。

7. 网格生成：
   mcp-run-meshing --dsid dsid-7a3f --policy fine_slot_resolution，耗时217秒。

8. 网格质量校验：
   Agent解析MCP返回的网格报告，确认skewness_max=0.89 < 0.95，yplus_min=32 > 30，通过。

9. 第一次求解（自然冷却）：
   mcp-run-simulation --dsid dsid-7a3f --case natural_cooling，提交至Fluent，后台监控日志。

10. 实时收敛监控：
    当检测到连续3步残差未下降，Agent自动调用mcp-adjust-relaxation --dsid dsid-7a3f --pressure 0.25 --momentum 0.65。

11. 结果提取：
    求解完成后，mcp-extract-result --dsid dsid-7a3f --field temperature --location stator_slot_hotspot，返回max_temp=142.3°C。

12. 第二次求解（强制风冷）：
    复用同一网格和几何，仅修改边界条件，mcp-run-simulation --dsid dsid-7a3f --case forced_cooling。

13. 对比分析：
    Agent计算温升差值：142.3 - 98.7 = 43.6°C，调用传热学公式评估散热片效能。

14. 风险判定：
    查阅材料库，copper_max_temp=150°C，142.3 < 150，判定为“临界安全”，但需预警。

15. 报告数据填充：
    将max_temp,temp_diff,cooling_efficiency等变量注入Jinja2模板。

16. PDF生成：
    report-gen --template motor_thermal.j2 --data report_data.json --output report_ipm_20260422.pdf。

17. 交付与归档：
    PDF上传至企业知识库，同时将dsid-7a3f全量日志（含所有MCP指令、时间戳、结果哈希）存入ZFS池，生成审计码SHA256: a7f3...b9c1。

整个流程从指令输入到PDF生成，实测耗时11分38秒，其中求解器计算耗时9分12秒，其余2分26秒为MCP调度、Agent决策、报告生成。某车企电机团队用此流程替代人工，单次分析效率提升15倍。

5. 常见问题与避坑指南：那些文档里不会写的实战经验

5.1 “MCP连接超时”问题的5层排查法

这是部署初期最高频问题，表现是Agent日志报Failed to connect to MCP server: timeout。不要直接重装，按此顺序排查：

独家技巧：在mcpd启动命令后添加--log-level debug，查看ipc_init日志。若出现shmget failed: Invalid argument，99%是kernel.shmmax未生效，执行sudo sysctl -w kernel.shmmax=68719476736临时修复，再检查/etc/sysctl.conf是否写错。

5.2 “求解器崩溃但无日志”问题的终极定位

某航空部件厂曾遇到：Fluent在网格生成后瞬间崩溃，fluent.log为空。常规思路是查内存，但实测内存充足。最终定位到MCP Adapter的浮点精度陷阱：

• Fluent内部使用双精度（64bit）计算，但MCP协议层为节省带宽，默认用单精度（32bit）传输网格坐标。
• 当模型尺寸达米级（如机翼），单精度坐标误差可达0.1mm，导致网格单元退化（degenerate cell）。
• 解决方案：在/etc/mcp/config.yaml中添加：

  adapters: ansys_fluent: precision: double # 强制双精度传输 mesh_coordinate_scale: 1.0 # 禁用坐标缩放

  此配置使网格传输带宽增加2.3倍，但彻底解决崩溃问题。某研究所实测，开启后1000次网格生成0崩溃。

5.3 Agent“决策错误”问题的根因分析

用户反馈：“Agent把‘降低振动’理解成‘减小轴承刚度’，导致仿真结果失真。” 这不是AI幻觉，而是领域词典缺失。

排查步骤：

1. 查看Agent日志中intent_parser输出的原始token：["reduce", "vibration", "bearing"]
2. 检查领域词典/etc/agent/dict/motor.yaml，发现vibration词条下只有"increase_damping"和"add_mass"两个动作，缺少"optimize_bearing_preload"（轴承预紧优化）
3. 补充词条：

   vibration: bearing_preload_optimization: action: "optimize_bearing_preload" description: "Adjust preload to shift resonance frequency away from operating speed" constraint: "preload_force > 0.8 * static_load"

4. 重启Agent服务，问题解决。

注意：所有领域词典必须通过agent-dict-validate工具校验，确保语法正确。未校验的词典会导致Agent启动失败，错误信息极不友好（仅显示dict load error）。

5.4 UltraLAB硬件级故障速查表

| 现象 | 可能原因 | 快速验证 |