🔗 원문 전체 보기 → Venturesquare.net
요약
벡터코리아가 자연어 지시를 바탕으로 요구사항 분석부터 CAPL 테스트 코드 생성, 실행, 오류 수정과 재시험까지 지원하는 CANoe AI 패키지를 출시했다. CANoe 20 SP2에 통합된 MCP 서버는 깃허브 코파일럿과 클로드 등 사용자 LLM 환경을 연결하며 에이전트·스킬·MCP 도구를 조합한 맞춤형 워크플로우 구성을 지원한다. Vector-RAG가 벡터 기술 문서를 응답 근거로 활용하고 사용자가 자동화 수준과 최종 승인 범위를 설정하는 구조다.
본문
- 자연어 지시로 테스트 코드 생성·실행·오류 분석·수정·재시험 연결
- MCP로 기존 LLM과 CANoe 기능 연동…Vector-RAG 기반 기술 문서 검색 지원
차량과 임베디드 시스템을 검증하려면 요구사항을 분석해 테스트 코드를 작성하고 시뮬레이션을 실행한 뒤 오류를 찾아 수정하는 과정을 반복해야 한다. 통신 규격과 제어기, 시험 환경이 복잡해질수록 테스트 시나리오 구성과 코드 작성에 필요한 시간도 늘어난다. 벡터는 이 과정을 자연어 지시로 연결하는 AI 에이전트와 MCP 서버를 개발·테스트 환경 ‘CANoe’에 적용했다. AI가 작업을 수행하는 동안 엔지니어는 실행 단계를 확인하고 결과를 검증한 뒤 최종 승인할 수 있다.
차량 네트워크와 임베디드 시스템 개발 솔루션 기업 벡터코리아는 CANoe 20 SP2에 AI 에이전트와 모델 컨텍스트 프로토콜(MCP·Model Context Protocol) 기능을 적용한 ‘CANoe AI 패키지’를 출시했다.
CANoe는 전자제어장치(ECU)와 차량 네트워크, 분산형 임베디드 시스템의 통신을 분석하고 기능을 시뮬레이션·테스트하는 개발 환경으로, 차량뿐 아니라 의료기기와 철도, 산업 시스템 등 통신 기반 전자 시스템의 소프트웨어인더루프(SIL)와 하드웨어인더루프(HIL) 검증에도 활용된다.
이번 AI 기능은 엔지니어가 수행하던 개별 작업을 하나의 흐름으로 연결하는 데 초점을 맞췄다. 사용자가 자연어로 요구사항과 수행할 작업을 입력하면 전문 에이전트가 요청을 분석하고 필요한 스킬과 도구를 선택해 실행 순서를 구성한다.
대표적인 활용 방식은 요구사항 기반 테스트 자동화다. AI 에이전트가 요구사항 정의서를 해석해 벡터의 차량 네트워크 시험용 프로그래밍 언어인 CAPL 테스트 코드를 생성하고 CANoe에서 테스트를 실행한다. 오류가 발생하면 실행 결과와 로그를 분석해 코드를 수정한 뒤 재시험한다.
작업을 마치면 에이전트는 CANoe 화면과 개발 환경을 동기화해 실행 결과를 사용자에게 전달한다. 엔지니어는 생성된 코드와 테스트 조건, 오류 수정 내역, 최종 결과를 확인하고 승인 여부를 결정한다.
벡터는 기존에 수시간에서 수일이 걸리던 일부 테스트 작업을 수분 안에 처리할 수 있다고 설명했다. 다만 소요 시간은 요구사항의 복잡도와 CANoe 구성, 연결한 언어모델의 성능, 테스트 대상과 검증 범위에 따라 달라진다. 이번 발표에는 비교한 프로젝트 규모나 시험 조건이 제시되지 않아 ‘수분 내 완료’는 모든 개발 환경에 적용되는 성능 보장치보다 벡터가 제시한 활용 사례로 보는 것이 적절하다.
MCP로 CANoe 기능 호출…에이전트·스킬 조합해 워크플로우 구성
CANoe 20 SP2에는 외부 AI 클라이언트가 CANoe의 기능을 도구처럼 호출할 수 있도록 MCP 서버가 통합됐다. MCP는 언어모델과 애플리케이션의 데이터·기능을 표준화된 방식으로 연결하는 인터페이스다. 이를 활용하면 AI 에이전트가 CANoe 설정을 조회하거나 시뮬레이션을 제어하고 테스트를 실행하는 작업을 하나의 대화형 흐름에서 수행할 수 있다.
사용자는 깃허브 코파일럿과 클로드 등 기존에 사용하는 LLM 환경을 연결할 수 있다. 벡터는 특정 모델 하나에 종속되지 않도록 에이전트와 스킬, MCP 도구로 구성된 개방형 AI 계층(Open AI Layer)을 제공한다. 여기서 Open AI Layer는 개방형 확장 구조를 의미하며, 기업명인 오픈AI(OpenAI)와는 구분된다.
에이전트는 사용자의 프롬프트와 현재 CANoe 구성을 바탕으로 필요한 스킬과 MCP 도구를 선택한다. 설정 조회와 변경, 시뮬레이션 시작·중지, 테스트 케이스 생성, 통신 흐름 분석 등을 수행하고 CAPL과 C#, 파이썬 코드를 생성하거나 기존 코드를 최적화할 수 있다.
기업은 기본으로 제공되는 에이전트와 스킬을 업무 절차에 맞춰 수정하거나 자체 도메인 지식과 내부 도구를 연결한 전용 에이전트를 구성할 수 있다. 예를 들어 특정 완성차 업체의 통신 규칙이나 부품사의 시험 절차, 사내 코딩 표준을 스킬과 도구에 반영해 조직별 테스트 워크플로우를 설계하는 방식이다.
CANoe AI 패키지에는 벡터의 기술 문서와 자료를 검색하는 ‘Vector-RAG’도 적용됐다. 에이전트가 질문이나 코드 작성에 필요한 정보를 벡터의 지식 기반에서 검색한 뒤 관련 내용을 언어모델의 응답 생성에 활용한다. 범용 모델의 학습 정보에만 의존할 때보다 CANoe 기능과 CAPL 문법에 맞는 답변을 생성하도록 근거를 보강하는 구조다.
RAG 적용이 언어모델의 오류나 환각 가능성을 완전히 제거하는 것은 아니다. 검색된 문서의 범위와 최신성, 사용자가 입력한 요구사항, 연결한 모델의 추론 능력에 따라 결과가 달라질 수 있다. 벡터가 각 작업 단계를 실시간으로 공개하고 사용자가 에이전트의 자율성 수준과 최종 승인 범위를 설정하도록 한 이유도 이 때문이다.
사용자는 질문에 답하는 보조 기능부터 코드와 테스트를 실행하는 작업형 에이전트, 여러 단계를 연결하는 통합 워크플로우까지 자동화 범위를 선택할 수 있다. CANoe와 개발 환경에서 에이전트가 호출한 MCP 도구와 사용한 스킬, 변경한 코드, 실행 결과를 확인하며 필요한 단계에 개입할 수 있다.
CANoe AI 패키지는 CANoe 20 SP2 이상과 호환되며 벡터 공식 웹사이트에서 무료로 내려받을 수 있다. 무료 제공 대상은 AI 패키지이며 기반 소프트웨어인 CANoe 사용 권한과 사용자가 연결하는 LLM 환경은 별도로 준비해야 한다. 외부 언어모델의 이용 가능 범위와 비용, 데이터 처리 방식도 각 모델과 서비스의 정책에 따라 달라진다.
벡터는 AI 기능의 설계 원칙을 ‘에이전트가 작업하고 사용자가 결정하는 인간 참여형 구조’로 제시했다. 생성된 코드와 테스트 결과가 엔지니어의 판단을 대신하기보다 반복 작업을 줄이고 검토와 의사결정을 지원하도록 CANoe의 에이전트와 스킬, MCP 도구를 확장할 계획이다.
Like this:
Like Loading...Related
From reading requirements to CAPL testing and error correction… Vector equips CANoe with AI agents
Verifying vehicles and embedded systems requires a repetitive process of analyzing requirements, writing test code, running simulations, and identifying and correcting errors. As communication standards, controllers, and test environments become more complex, the time required to configure test scenarios and write code also increases. Vector has applied AI agents and MCP servers that connect this process via natural language instructions to its development and test environment, 'CANoe'. While the AI performs tasks, engineers can monitor execution steps, verify results, and grant final approval.
Vector Korea, a vehicle network and embedded system development solution company, has released the 'CANoe AI Package' with AI agent and Model Context Protocol (MCP) functions applied to CANoe 20 SP2.
CANoe is a development environment that analyzes communication between electronic control units (ECUs), vehicle networks, and distributed embedded systems, and simulates and tests functions. It is also used for software-in-the-loop (SIL) and hardware-in-the-loop (HIL) verification of communication-based electronic systems, such as medical devices, railways, and industrial systems, as well as vehicles.
This AI feature focuses on connecting individual tasks previously performed by engineers into a single workflow. When a user inputs requirements and tasks in natural language, an expert agent analyzes the request, selects the necessary skills and tools, and configures the execution sequence.
A representative application is requirements-based test automation. An AI agent interprets the requirements definition to generate CAPL test code, Vector’s programming language for testing vehicle networks, and executes the tests in CANoe. If an error occurs, the execution results and logs are analyzed to modify the code, and the test is retested.
When the task is completed, the agent synchronizes the CANoe screen with the development environment and delivers the execution results to the user. The engineer reviews the generated code, test conditions, error correction history, and final results, and decides whether to approve them.
Vector explained that it can complete some test tasks within minutes that previously took hours to days. However, the time required varies depending on the complexity of the requirements, the CANoe configuration, the performance of the connected language model, and the test targets and verification scope. Since the project scale or test conditions used for comparison were not presented in this announcement, it is appropriate to view "completion within minutes" as a use case presented by Vector rather than a performance guarantee applicable to all development environments.
Call CANoe functions with MCP… Configure workflows by combining agents and skills
CANoe 20 SP2 integrates an MCP server to allow external AI clients to call CANoe functions like tools. MCP is an interface that connects language models and application data and functions in a standardized manner. By utilizing this, AI agents can perform tasks such as querying CANoe settings, controlling simulations, and running tests in a single conversational flow.
Users can connect existing LLM environments such as GitHub Copilot and Claude. Vector provides an Open AI Layer composed of agents, skills, and MCP tools to avoid dependence on a single model. Here, the Open AI Layer refers to an open extensible structure and is distinct from the company name OpenAI.
The agent selects the necessary skills and MCP tools based on the user's prompts and the current CANoe configuration. It performs tasks such as viewing and modifying settings, starting and stopping simulations, generating test cases, and analyzing communication flows, and can generate CAPL, C#, and Python code or optimize existing code.
Companies can modify standard agents and skills to align with their business processes or configure dedicated agents that integrate their own domain knowledge with internal tools. For example, this involves designing organization-specific test workflows by incorporating a specific automaker's communication rules, parts supplier's testing procedures, or internal coding standards into the skills and tools.
The CANoe AI package also incorporates 'Vector-RAG,' which searches Vector's technical documentation and materials. The agent searches Vector's knowledge base for information needed to write questions or code, and then utilizes the relevant content to generate responses from the language model. This structure reinforces the rationale to generate answers that comply with CANoe functions and CAPL syntax, compared to relying solely on the training information of a general-purpose model.
The application of RAG does not completely eliminate the possibility of errors or illusions in language models. Results can vary depending on the scope and recency of the retrieved documents, the requirements entered by the user, and the reasoning capabilities of the connected model. This is why Vector discloses each task step in real-time and allows users to set the agent's level of autonomy and the scope of final approval.
Users can select the scope of automation, ranging from auxiliary functions that answer questions to action agents that execute code and tests, and integrated workflows that connect multiple steps. In CANoe and the development environment, users can verify the MCP tools invoked by the agent, the skills used, the code changed, and the execution results, and intervene in the necessary steps.
The CANoe AI package is compatible with CANoe 20 SP2 or higher and can be downloaded for free from the official Vector website. The free offer applies only to the AI package; users must separately prepare the usage rights for the underlying software, CANoe, and the LLM environment they connect to. The scope of availability, cost, and data processing methods for external language models also vary depending on the policies of each model and service.
Vector presented the design principle for AI capabilities as a "human-participatory structure where agents do the work and users make decisions." Rather than having generated code and test results replace engineers' judgment, the plan is to expand CANoe's agents, skills, and MCP tools to reduce repetitive work and support review and decision-making.
要件を読んでCAPLテスト・エラー修正まで…ベクトル、CANoeにAIエージェントを搭載
車両と組み込みシステムを検証するには、要件を分析してテストコードを作成し、シミュレーションを実行してからエラーを見つけて修正するプロセスを繰り返す必要があります。通信規格やコントローラ、試験環境が複雑になるほど、テストシナリオ構成とコード作成に必要な時間も増える。ベクトルは、この過程を自然言語指示で接続するAIエージェントとMCPサーバーを開発・テスト環境「CANoe」に適用した。 AIがタスクを実行している間、エンジニアは実行段階を確認し、結果を検証した後、最終承認を行うことができます。
車両ネットワークと組み込みシステム開発ソリューション企業ベクトルコリアは、CANoe 20 SP2にAIエージェントとモデルコンテキストプロトコル（MCP・Model Context Protocol）機能を適用した「CANoe AIパッケージ」を発売した。
CANoeは電子制御装置(ECU)と車両ネットワーク、分散型組み込みシステムの通信を分析し、機能をシミュレーション・テストする開発環境で、車両だけでなく医療機器や鉄道、産業システムなど通信ベースの電子システムのソフトウェアインダループ(SIL)とハードウェアインダループ(HIL)検証にも活用される。
今回のAI機能は、エンジニアが行っていた個々の作業を1つの流れにつなぐことに焦点を当てた。ユーザーが自然言語で要件と実行するタスクを入力すると、プロのエージェントは要求を分析し、必要なスキルとツールを選択して実行順序を設定します。
代表的な活用方式は要件ベースのテスト自動化だ。 AIエージェントは要件定義を解釈し、ベクトルの車両ネットワークテスト用のプログラミング言語であるCAPLテストコードを生成し、CANoeでテストを実行します。エラーが発生した場合は、実行結果とログを分析してコードを修正して再試行してください。
作業が完了すると、エージェントはCANoe画面と開発環境を同期して実行結果をユーザーに渡します。エンジニアは、生成されたコードとテスト条件、エラー修正履歴、最終結果を確認し、承認するかどうかを決定します。
ベクトルは、これまで数時間から数日かかったいくつかのテスト作業を数分で処理できると説明した。ただし、所要時間は、要件の複雑さとCANoe構成、接続した言語モデルの性能、テスト対象と検証範囲によって異なります。今回の発表には、比較したプロジェクト規模や試験条件が提示されていないため、「水分内完了」は、すべての開発環境に適用される性能保証値よりもベクトルが提示した活用事例で見ることが適切だ。
MCPでCANoe機能を呼び出す…エージェント・スキル組み合わせてワークフロー構成
CANoe 20 SP2には、外部AIクライアントがCANoeの機能をツールのように呼び出せるようにMCPサーバーが統合されています。 MCPは、言語モデルとアプリケーションのデータ・機能を標準化された方法で接続するインタフェースだ。これにより、AIエージェントはCANoe設定を照会したり、シミュレーションを制御したり、テストを実行したりすることを1つの対話型フローで実行できます。
ユーザーは、FitHubコパイロットやクロードなど、既存のLLM環境を接続することができます。ベクトルは、特定のモデルに依存しないように、エージェントとスキル、MCPツールで構成されたオープンAI層（Open AI Layer）を提供します。ここでOpen AI Layerはオープン型拡張構造を意味し、企業名であるオープンAI(OpenAI)とは区別される。
エージェントは、ユーザーのプロンプトと現在のCANoe構成に基づいて、必要なスキルとMCPツールを選択します。設定照会と変更、シミュレーション開始・停止、テストケース生成、通信フロー分析などを行い、CAPLとC#、Pythonコードを生成したり、既存のコードを最適化することができる。
企業は、基本的に提供されるエージェントとスキルを業務手順に合わせて修正したり、独自のドメイン知識と内部ツールを連結した専用エージェントを構成することができる。例えば、特定の自動車メーカーの通信ルールや部品会社の試験手順、社内コーディング標準をスキルとツールに反映して組織別テストワークフローを設計する方式だ。
CANoe AIパッケージには、ベクターの技術文書や資料を検索する「Vector-RAG」も適用された。エージェントが質問やコード作成に必要な情報をベクトルの知識ベースから検索し、関連内容を言語モデルの応答生成に活用する。汎用モデルの学習情報だけに依存する場合よりも、CANoe機能とCAPL文法に合った回答を生成するように根拠を補強する仕組みだ。
RAGの適用が言語モデルの誤りや幻覚の可能性を完全に排除するわけではありません。検索された文書の範囲と最新性、ユーザーが入力した要件、リンクしたモデルの推論能力によって結果が異なる場合があります。ベクトルが各作業ステップをリアルタイムで公開し、ユーザーがエージェントの自律性レベルと最終承認範囲を設定するようにした理由もこのためだ。
ユーザーは、質問に答える補助機能からコードとテストを実行するワークロードエージェント、複数のステップを結ぶ統合ワークフローまで、自動化範囲を選択できます。 CANoeと開発環境でエージェントが呼び出したMCPツールと使用したスキル、変更したコード、実行結果を確認し、必要なステップに介入することができる。
CANoe AIパッケージはCANoe 20 SP2以降と互換性があり、ベクトル公式ウェブサイトから無料でダウンロードできます。無料提供対象はAIパッケージであり、ベースソフトウェアであるCANoe権限とユーザーが接続するLLM環境は別途用意する必要があります。外部言語モデルの利用可能範囲とコスト、データ処理方式も各モデルとサービスの方針によって変わる。
ベクトルはAI機能の設計原則を「エージェントが作業し、ユーザーが決定する人間参加型構造」として提示した。生成されたコードとテスト結果がエンジニアの判断に代わるよりも繰り返し作業を減らし、レビューと意思決定をサポートするようにCANoeのエージェントとスキル、MCPツールを拡張する計画だ。
从需求分析到 CAPL 测试和纠错……Vector 为 CANoe 配备了 AI 代理。
验证车辆和嵌入式系统需要重复进行一系列流程，包括分析需求、编写测试代码、运行仿真以及识别和纠正错误。随着通信标准、控制器和测试环境的日益复杂，配置测试场景和编写代码所需的时间也随之增加。Vector 已在其开发和测试环境“CANoe”中应用了人工智能代理和 MCP 服务器，通过自然语言指令将这一流程连接起来。在人工智能执行任务的同时，工程师可以监控执行步骤、验证结果并最终批准。
韩国车辆网络和嵌入式系统开发解决方案公司 Vector Korea 发布了“CANoe AI Package”，其中包含应用于 CANoe 20 SP2 的 AI 代理和模型上下文协议 (MCP) 功能。
CANoe是一个开发环境，用于分析电子控制单元（ECU）、车辆网络和分布式嵌入式系统之间的通信，并模拟和测试各项功能。它还用于对基于通信的电子系统（例如医疗设备、铁路、工业系统以及车辆）进行软件在环（SIL）和硬件在环（HIL）验证。
这项人工智能功能旨在将工程师先前执行的各项任务整合到一个统一的工作流程中。当用户以自然语言输入需求和任务时，专家代理会分析请求，选择必要的技能和工具，并配置执行顺序。
一个典型的应用是基于需求的自动化测试。人工智能代理解读需求定义，生成 CAPL 测试代码（Vector 公司用于测试车辆网络的编程语言），并在 CANoe 中执行测试。如果出现错误，系统会分析执行结果和日志，修改代码，然后重新测试。
任务完成后，代理程序会将 CANoe 屏幕与开发环境同步，并将执行结果发送给用户。工程师会审核生成的代码、测试条件、错误修正历史记录和最终结果，并决定是否批准。
Vector解释说，它可以在几分钟内完成一些以前需要数小时甚至数天才能完成的测试任务。然而，所需时间取决于需求的复杂性、CANoe配置、连接语言模型的性能以及测试目标和验证范围。由于本次公告中并未提供用于比较的项目规模或测试条件，因此，应将“几分钟内完成”视为Vector提出的一个用例，而非适用于所有开发环境的性能保证。
使用 MCP 调用 CANoe 功能……通过组合代理和技能来配置工作流程
CANoe 20 SP2 集成了 MCP 服务器，允许外部 AI 客户端调用 CANoe 的工具等功能。MCP 是一个接口，它以标准化的方式连接语言模型、应用程序数据和功能。利用 MCP，AI 代理可以在单一的对话流程中执行诸如查询 CANoe 设置、控制模拟和运行测试等任务。
用户可以连接现有的LLM环境，例如GitHub Copilot和Claude。Vector提供了一个由智能体、技能和MCP工具组成的OpenAI层，以避免对单一模型的依赖。这里的OpenAI层指的是一个开放且可扩展的结构，与公司名称OpenAI不同。
该代理程序会根据用户的提示和当前的 CANoe 配置选择必要的技能和 MCP 工具。它可以执行诸如查看和修改设置、启动和停止仿真、生成测试用例以及分析通信流等任务，并且可以生成 CAPL、C# 和 Python 代码或优化现有代码。
企业可以修改标准代理和技能，使其与自身业务流程相契合，或者配置专用代理，将自身领域知识与内部工具集成。例如，这包括将特定汽车制造商的通信规则、零部件供应商的测试流程或内部编码标准整合到技能和工具中，从而设计企业专属的测试工作流程。
CANoe AI 软件包还集成了“Vector-RAG”，用于搜索 Vector 的技术文档和资料。该智能体会搜索 Vector 的知识库，查找编写问题或代码所需的信息，然后利用相关内容从语言模型生成响应。与仅仅依赖通用模型的训练信息相比，这种结构强化了生成符合 CANoe 函数和 CAPL 语法的答案的合理性。
RAG 的应用并不能完全消除语言模型中出现错误或偏差的可能性。结果会因检索文档的范围和时效性、用户输入的需求以及所连接模型的推理能力而有所不同。因此，Vector 会实时显示每个任务步骤，并允许用户设置代理的自主程度和最终审批范围。
用户可以选择自动化范围，从回答问题的辅助功能到执行代码和测试的操作代理，再到连接多个步骤的集成工作流。在 CANoe 和开发环境中，用户可以验证代理调用的 MCP 工具、使用的技能、修改的代码以及执行结果，并干预必要的步骤。
CANoe AI 软件包兼容 CANoe 20 SP2 或更高版本，可从 Vector 官方网站免费下载。免费提供仅限于 AI 软件包；用户必须自行准备底层软件 CANoe 及其连接的语言学习模型 (LLM) 环境的使用权限。外部语言模型的可用性、费用和数据处理方法也因各个模型和服务的政策而异。
Vector提出的AI能力设计原则是“人机协作结构，其中智能体执行工作，用户做出决策”。该计划并非让生成的代码和测试结果取代工程师的判断，而是扩展CANoe的智能体、技能和MCP工具，以减少重复性工作，并支持审查和决策。
De la lecture des exigences aux tests CAPL et à la correction des erreurs… Vector équipe CANoe d'agents d'IA
La vérification des véhicules et des systèmes embarqués exige un processus itératif d'analyse des exigences, de rédaction du code de test, d'exécution de simulations, ainsi que d'identification et de correction des erreurs. Avec la complexification croissante des normes de communication, des contrôleurs et des environnements de test, le temps nécessaire à la configuration des scénarios de test et à la rédaction du code augmente également. Vector a intégré des agents d'IA et des serveurs MCP, qui connectent ce processus via des instructions en langage naturel, à son environnement de développement et de test, « CANoe ». Pendant que l'IA exécute les tâches, les ingénieurs peuvent superviser les étapes d'exécution, vérifier les résultats et donner leur validation finale.
Vector Korea, une société de développement de solutions pour réseaux de véhicules et systèmes embarqués, a lancé le « CANoe AI Package » avec des fonctions d'agent d'IA et de protocole de contexte de modèle (MCP) appliquées à CANoe 20 SP2.
CANoe est un environnement de développement qui analyse la communication entre les calculateurs électroniques (ECU), les réseaux de véhicules et les systèmes embarqués distribués, et qui simule et teste les fonctions. Il est également utilisé pour la vérification logicielle (SIL) et matérielle (HIL) des systèmes électroniques de communication, tels que les dispositifs médicaux, les systèmes ferroviaires et industriels, ainsi que les véhicules.
Cette fonctionnalité d'IA vise à intégrer les tâches individuelles auparavant effectuées par les ingénieurs dans un flux de travail unique. Lorsqu'un utilisateur saisit ses besoins et ses tâches en langage naturel, un agent expert analyse la demande, sélectionne les compétences et les outils nécessaires, et configure la séquence d'exécution.
Une application représentative est l'automatisation des tests basée sur les exigences. Un agent d'IA interprète la définition des exigences pour générer du code de test CAPL, le langage de programmation de Vector pour tester les réseaux de véhicules, et exécute les tests dans CANoe. En cas d'erreur, les résultats d'exécution et les journaux sont analysés afin de modifier le code, et le test est relancé.
Une fois la tâche terminée, l'agent synchronise l'écran CANoe avec l'environnement de développement et transmet les résultats d'exécution à l'utilisateur. L'ingénieur examine le code généré, les conditions de test, l'historique des corrections d'erreurs et les résultats finaux, puis décide de les approuver.
Vector a expliqué pouvoir réaliser certaines tâches de test en quelques minutes, alors qu'elles prenaient auparavant des heures, voire des jours. Cependant, le temps nécessaire varie en fonction de la complexité des exigences, de la configuration de CANoe, des performances du modèle de langage connecté, ainsi que des cibles de test et du périmètre de vérification. L'échelle du projet et les conditions de test utilisées à des fins de comparaison n'ayant pas été précisées dans cette annonce, il convient de considérer cette « réalisation en quelques minutes » comme un cas d'utilisation présenté par Vector plutôt que comme une garantie de performance applicable à tous les environnements de développement.
Appelez les fonctions CANoe avec MCP… Configurez les flux de travail en combinant agents et compétences
CANoe 20 SP2 intègre un serveur MCP permettant aux clients d'IA externes d'appeler des fonctions CANoe telles que des outils. MCP est une interface qui connecte les modèles de langage, les données et les fonctions de l'application de manière standardisée. Grâce à elle, les agents d'IA peuvent effectuer des tâches comme interroger les paramètres de CANoe, contrôler des simulations et exécuter des tests au sein d'un flux conversationnel unique.
Les utilisateurs peuvent connecter des environnements LLM existants tels que GitHub Copilot et Claude. Vector fournit une couche d'IA ouverte composée d'agents, de compétences et d'outils MCP afin d'éviter la dépendance à un modèle unique. Ici, la couche d'IA ouverte désigne une structure ouverte et extensible et est distincte du nom de l'entreprise OpenAI.
L'agent sélectionne les compétences et les outils MCP nécessaires en fonction des instructions de l'utilisateur et de la configuration CANoe actuelle. Il effectue des tâches telles que la consultation et la modification des paramètres, le démarrage et l'arrêt des simulations, la génération de cas de test et l'analyse des flux de communication. Il peut également générer du code CAPL, C# et Python ou optimiser du code existant.
Les entreprises peuvent adapter les agents et les compétences standard à leurs processus métier ou configurer des agents dédiés intégrant leur expertise métier à leurs outils internes. Par exemple, cela implique de concevoir des flux de travail de test spécifiques à l'organisation en intégrant les règles de communication d'un constructeur automobile, les procédures de test d'un fournisseur de pièces ou les normes de codage internes aux compétences et aux outils.
Le module d'IA CANoe intègre également « Vector-RAG », qui explore la documentation technique de Vector. L'agent consulte la base de connaissances de Vector pour trouver les informations nécessaires à la formulation de questions ou de code, puis utilise le contenu pertinent pour générer des réponses à partir du modèle de langage. Cette structure justifie la génération de réponses conformes aux fonctions CANoe et à la syntaxe CAPL, plutôt que de se fier uniquement aux données d'entraînement d'un modèle générique.
L'application de RAG n'élimine pas totalement le risque d'erreurs ou d'illusions dans les modèles de langage. Les résultats peuvent varier en fonction de l'étendue et de la date de publication des documents extraits, des exigences définies par l'utilisateur et des capacités de raisonnement du modèle utilisé. C'est pourquoi Vector affiche chaque étape de la tâche en temps réel et permet aux utilisateurs de paramétrer le niveau d'autonomie de l'agent ainsi que le champ d'application de la validation finale.
Les utilisateurs peuvent choisir le niveau d'automatisation, allant des fonctions auxiliaires répondant aux questions aux agents d'action exécutant du code et des tests, en passant par les flux de travail intégrés reliant plusieurs étapes. Dans CANoe et l'environnement de développement, ils peuvent vérifier les outils MCP utilisés par l'agent, les compétences mises en œuvre, le code modifié et les résultats d'exécution, et intervenir aux étapes nécessaires.
Le module d'IA de CANoe est compatible avec CANoe 20 SP2 et versions ultérieures et peut être téléchargé gratuitement sur le site web officiel de Vector. Cette offre gratuite concerne uniquement le module d'IA ; les utilisateurs doivent acquérir séparément les droits d'utilisation du logiciel sous-jacent, de CANoe et de l'environnement LLM auquel ils se connectent. La disponibilité, le coût et les méthodes de traitement des données des modèles de langage externes varient également selon les politiques de chaque modèle et service.
Vector a présenté le principe de conception des capacités d'IA comme une « structure participative humaine où les agents effectuent le travail et les utilisateurs prennent les décisions ». Plutôt que de laisser le code généré et les résultats des tests remplacer le jugement des ingénieurs, le plan consiste à étendre les agents, les compétences et les outils MCP de CANoe afin de réduire le travail répétitif et de soutenir l'examen et la prise de décision.