AI工程化问答总集

📚 总集 📅 2026-09-04
#来源/立芯星球 #类型/问答总集

AI工程化问答总集

本总集合并了 AI 辅助开发问答合集 问答合集，并纳入目录内其余有内容的 AI 工程化散帖，按知识相关性重组。原帖均保留未动。

知识地图

章节 覆盖知识点
一、嵌入式×AI 结合形态 结合三形态、概率vs确定性、端侧模型、具身智能
二、工具链选型 模型/编程工具选择、Claude Code 实用技巧、成本控制
三、提示词与上下文工程 架构+AI、CLAUDE.md、记忆与压缩、Hook、/goal
四、Skill/Agent 工作流 企业级架构、Skills 撰写、Loop Engineering、自动化生态
五、代码质量与验证 五层质量体系、嵌入式验证纪律、AI 输出证伪
六、职业影响与学习 岗位结构、竞争力、护城河、AI 时代学习方法

一、嵌入式×AI 结合形态

1. 先补概念地基：AI 术语分层

核心层：LLM、Prompt、Context（短期记忆）、Memory（长期记忆）、Token（计费与长度单位）；增强层：RAG、Search、Function Calling、Fine-tuning；应用架构：LangChain、MCP（工具与数据的"通用翻译器"）、Workflow、Skill、Plugin、API；智能体生态：Agent、SubAgent、Multi-Agent；底层支撑：GPU 算力、向量数据库、Embedding。

— AI扫盲：核心基础与能力增强层（Jason）

2. 大模型的技术底座：Transformer

自注意力+多头注意力让模型"整段并行看、自动抓重点"，取代 RNN 逐字递推；词嵌入、位置编码、编码器-解码器构成大模型骨架，文本/图像/语音通用。

— 🔥 所有大模型的“祖宗”：Transformer（Jason）

3. 嵌入式和 AI 结合的三种形态

① AI 提升研发效率（辅助编程、CI/CD、模拟仿真）；② 端侧 AI（感知/识别/预测/多模态在实时性与资源受限下端侧部署）；③ AIoT 混合（设备不跑大模型，经蓝牙/WiFi 接云端 AI 服务如"AI 小智"，不算纯端侧）。

— 问：嵌入式和ai的结合处一般需要应用技术栈有哪些 是那种端侧算力的设备（Jack）

4. 核心矛盾：AI 是概率生成，嵌入式是确定性工程

AI 强在速度、广度、试错；嵌入式要求时序、资源、行为、结果全部可控可验证。未来工程师的核心能力是在两者之间建立"可验证、可约束、可收敛"的工程闭环——这就是"边界—约束—收敛"方法论：边界（把大工程切成 AI 可消费的模块，架构边界同时服务于人的可维护性与 AI 的可消费性）、约束（职责/接口/上下文/资源/行为/兼容六类约束，AI 对问题定义质量极度敏感）、收敛（分层测试是把概率答案变成确定答案的裁判机制，AI 探索解空间、工程定义约束空间、测试把解收敛到可用区间）。

— AI时代嵌入式开发方法论：边界约束收敛理论（Jack）
— 在 AI 编程越来越普遍的今天，我们对嵌入式教学的理解，也必须升级（Jack）

5. AI 让"写代码"变便宜，让"把系统做稳"更贵

大一也能拼出能跑的项目，但面试差距不会消失只会换地方：嵌入式成长靠"现象—怀疑—验证—定位—复盘"的循环，AI 最容易让你跳过它。真正要卷的四件事：判断力（时序/中断/并发/栈风险）、验证力（靠测量不靠感觉）、排障力（偶发死机从哪查起）、收敛力（修完防回归）。学基础是为了"有资格怀疑 AI"：看得懂时钟树、中断优先级、DMA/Cache 一致性、读得了数据手册。

— 嵌入式AI编程：能跑只是入场券（刘子奇）
— AI 都能写代码了，学嵌入式还（Jason）

6. 端侧 AI 实例：616KB 唤醒词模型管住 AI 眼镜

ESP32-S3 上的唤醒模型：616KB、int8 量化、TFLite Micro、256KB RAM、每 250ms 判断一次"像不像唤醒词"。难点不在识别一次，而在一天 35 万次判断里"该醒才醒"：负样本质量（真实佩戴场景的噪声与近音硬负样本）起决定性作用；阈值/窗口全是取舍；唤醒后还要状态机管理"自己播报又自己唤醒"的死循环、蓝牙断连会话清理。

— 616KB端侧唤醒模型：ESP32眼镜AI部署（立芯嵌入式）

7. 端侧开源模型：Gemma 4 能塞进手机

E2B/E4B（有效 2B/4B）手机、树莓派、Jetson 离线可跑，自带视觉与音频；26B MoE（激活 3.8B）消费级显卡可跑。原生 140+ 语言、128K 上下文、内置 function calling，Apache 2.0 可商用——离线翻译/扫描总结/语音助手类 App 的门槛被拉平。ollama run gemma4 即可尝鲜。

— 4 月初 Google 开源 Gemma 4，4 个尺寸一次放出来（Jason）

8. 具身智能数据采集：嵌入式工程师的切入口

机器人风口下，数据采集眼镜是关键模块：多路全局快门相机+IMU，硬件同步同帧、时间戳对齐，主控跑 Linux 做 ISP 与 IMU 读取；痛点是多目同步精度、DDR 带宽评估、小电池功耗。相机驱动、传感器同步、低延迟回传、手眼标定全是嵌入式老本行，岗位稀缺。多摄像头方案基本要 SoC/FPGA，MCU 接口与性能不足。

— 在 AI 的加持下，机器人-具身智能行业快速发展，因为 AI 可以让人快速的试错（Jason）
— 今年我看到好几个新闻，什么机器人赛跑，机器人打架，战争机器狗，势头有点大（Jason）

9. 用 MCP 打破硬件壁垒：ssh+串口+MCP 验证

社区实践：把嵌入式设备的串口/终端命令封装成 MCP 形式，让 agent 直接控制设备，验证"约束架构下的 agent 全自动开发"与"嵌入式设备模仿 MCP"两个理念。

— 最近做了一个ssh+串口+mcp的软件，目的有二（封刀岁月不为峥嵘）

二、工具链选型

1. 模型怎么选：按任务分工，不追新

写代码用 Claude Code（模型选 opus）；知识工作（报告/PPT/数据分析）ChatGPT 最强；长文本与图像视频、性价比场景选 Gemini；国内平替：GLM、Kimi、Minimax、豆包 Seed。找到适合自己的组合并真正用好，比每周换模型有用。

— 如果你的需求是写代码，用 Claude Code，模型选 opus 4.6（Jason）

2. 课堂与国内工具分工

课程 VSCode 用 Tabnine 做补全/注释/格式化；国内分工：文档与技术方案文心一言、党政材料天工、生活规划豆包、写代码 DeepSeek 与通义灵码。

— 老师课程里vscode里用的AI插件是啥呀（Jack）
— 2. 我看有一些工具可以自动生成注释，自动格式化（Jack）
— 国内AI应用 写文档，技术方（Jack）

3. Claude Code 与 Codex CLI 风格差异

没想好方案、需要脑暴搭档→Claude（主动提问、发散、敢重构）；已有明确方案要精准执行→Codex（最小改动、忠实可靠）。AI 编程四阶段：爽→臃肿慌了→重构痛苦→看不懂跑路，靠工作流破局（见第五章）。

— Claude Code 和 Codex CLI 都是很厉害的 AI 编程助手（Jason）

4. Claude Code 嵌入式快速上手

面向 MCU/Linux 开发者：CLAUDE.md 写芯片型号、编译命令、禁区文件让它开机即懂项目；settings.json 与 CLAUDE.md 组合；Skills 可提交 git 团队共用。典型实验：分析 GPIO 驱动、生成 UART 模块、自动写 Makefile、定位段错误、读 platform driver。

— 搞嵌入式的同学，有没有想过让 AI 帮你写驱动、读内核代码、找 Segfault（Jason）

5. BSP 开发必配 CLAUDE.md 的四个维度

两行敷衍配置等于白配。关键是：① 精准标注硬件与内核环境——厂商私有内核≠主线内核，不写清楚 AI 会给 mainline 方案，改坏厂商私有代码；② 内核版本与编译规则；③ 禁区文件清单；④ 项目架构说明。

— BSP 开发必配 CLAUDE（Jason）

6. 桌面 AI Agent 六款实测

Claude Desktop 综合最强（五级权限、终端改码、手机远程、MCP，但国内访问受限）；ChatGPT 桌面版体验好但只能问答不能动本地文件；MiniMax Mavis 国产免费、多模态强但开发场景弱；其余 Kimi、Cursor、豆包各有侧重，按办公/开发场景选择。

— 桌面AI Agent工具实测选型指南（Jason）

7. 成本优化：换模型后端与 DeepClaude

Claude Code 订阅贵，可用 DeepClaude 类方案把"大脑"换成 DeepSeek：UI/工具/循环不变，轻度用户月成本 $200→$20。限制：视觉输入、并行工具调用、MCP 不可用，硬骨头任务 --backend anthropic 切回。

— 背景：Claude Code 是目前我用过最强的命令行 agent 编码工具（Jason）

8. Agent 后端从 Claude Code 切到 OpenCode 的坑

Claude Code CLI 可后台开 subprocess、一键 skip permissions、输出 JSON；OpenCode 只能后台 Server+SSE 流交互、权限必须逐条声明（bash/edit/write/read/external_directory/skill/mcp），Bash 还要同时过"命令权限"与"目录权限"两道检查——权限是最大坑；传 API 时必须显式指定 Build-Auto agent 参数。切换动机是成本与可用性。

— 之前咱们分享过 AI 应用开发的架构，公司内部落地最经典的架构就是 Agent +（Jason）

9. CodeGraph：给 AI 一张"项目地图"省 token

AI 在陌生仓库 90% 的 token 花在"瞎找东西"。CodeGraph 预先把 AST、调用链、依赖关系解析存本地 SQLite，AI 查地图不翻文件：token 降约 57%、工具调用降约 71%、分析提速 46%，全程本地不泄码。更简单的平替：把设计文档做成 .md 放进各目录供 AI 参考。

— 现在用 Claude、Cursor 写代码，Token 跑得飞快（Jason）
— 上周有个粉丝问我：用 Claude Code 写代码，一个任务下来账单怎么这么高（Jason）
— AI编程提效工具：CodeGraph与Claude Code Setup（Jason）

10. 历史会话管理：查询、丢记录与修复

对话记录默认在 C盘 .claude/project/ 各项目文件夹下，可用 pip install claude-code-log 把 JSONL 转 HTML 阅读。映射网盘（samba/subst）下插件与 CLI 路径解析不一致会"丢"历史：CLI 按盘符编码存目录，插件 fs.realpath 解析出真实路径找空目录；用 New-Item -ItemType Junction 把插件目录联接到真实目录即可双向互通，claude --resume 可应急。

— 使用 Claude code（Jason）
— 分享 Claude Code 里 ：goal 命令的实用玩法，零基础也能直接上手（Jason）

11. token 费用为什么滚雪球

同一对话里每轮都要重读全部历史：1 轮 $0.05，30 轮 $0.38，贵 7.6 倍。控制轮次、及时开新会话、善用压缩与摘要，同样工作量费用最多可降九成。

— 很多人不知道：在同一个对话里，AI 每次回复都要把重新读一遍（Jason）

12. 资料格式：先转 Markdown 再喂 AI

MD 结构简洁、层级清晰，是 AI 最适配格式。普通文档用微软开源 MarkItDown；含公式/图表/复杂版式用 MinerU（支持 JSON/LaTeX 导出、批量处理）。做知识库、RAG 前统一转 MD，检索与识别精度大幅提升。

— 平时经常用 AI 处理 PDF、Word、PPT 这类文档（Jason）
— 之前我们完整梳理过 AI 应用商业级落地的核心技术栈（Jason）

13. 开发基础设施：托管平台与日常工具箱

代码托管：GitHub 生态最全但国内访问不稳、Gitee 快而本地化、GitLab 自带最强 CI/CD、Gitea 极轻自建。嵌入式 Linux 日常工具：VSCode（因 AI 方便）、Beyond Compare 对比 patch、MobaXterm 做 ssh（勿接串口）、SecureCRT 接串口、Everything 查文件、Typora 看 md，AI 工具用 claude/codex 原版。

— 代码托管平台选型：GitHub与Gitee对比（Jason）
— 今天我们聊一下，在工作中嵌入式 Linux 软件开发，常用的工具（Jason）

14. AI 时代的小工具开发姿势

串口工具、取字模、进制换算这类小工具，让 AI 直接开发 HTML 网页版：免打包、网址即用、UI 审美好，配合 ui-ux-pro-max 类设计 skill 更佳。

— 说一个 AI 工具开发小技巧：（Jason）

三、提示词与上下文工程

1. Agent 会轮转，提示词工程不会过时

热门 Agent 月月在换（Claude Code/Codex/Trae），但它们只是工具；真正提升效果的是完整且受控披露的提示词工程：原理层面懂 Agent 何时读取什么提示词，工程层面把架构转化为约束性提示词。

— 现在很多智能体存在一个的情况，上个月还是，这个月就是，在下个月可能（Jack）

2. 架构 + AI：为什么直接丢需求给 AI 效果差

三大弊端：语言无法完整传递业务需求；嵌入式硬件定制化让 AI 无法掌握细节、生成的代码难调试；AI 参考已有仓库易误用架构、长期维护困难。正解：人搭架构、定义模块接口与测试集，AI 只做约束内的填充，用测试集收敛其发挥。

— 架构驱动AI：嵌入式AI辅助编程方法论（Jack）

3. 上下文保护与委托策略：让 200K 更耐用

主会话只做编排、决策、聚合与 ≤20 行小改动；联网搜索、浏览器自动化、大输出命令（>50 行）、批量文件分析强制委托 Subagent；可并行且无依赖的子任务优先 Agent Teams。

— 加了这个 Rule，200K 的上下文窗口也可以很耐用（Jason）

4. Claude Code 四层记忆与压缩机制

指令记忆（CLAUDE.md，永不压缩、可企业/全局/项目/个人多级嵌套）、短期记忆（当前上下文）、摘要记忆（session 总结）、长期记忆（MEMORY.md 索引+用户身份/项目状态）。系统提示词是动态拼装而非固定；上下文超 10% 即后台另启 agent 生成摘要，四级压缩策略业界最强；AutoDream 会在多 session 后自动整合记忆。

— 近期在拆解 Claude Code cli 源码的时候，发现记忆系统比较有用（Jason）

5. 吃透 harness：源码拆解九问

要真会用 Claude Code 就要读 harness 源码（泄露源码是最好的学习入口）：核心模块与职责、模块间数据流、CLI 如何启动主智能体、工具注册与调用链路、Hook 机制、系统提示词拼装、Session 生命周期、自动压缩策略、Subagent/Agent Teams 通信机制。

— 分享 Claude Code 里 ：goal 命令的实用玩法，零基础也能直接上手（Jason）

6. Hook：不改源码客制化 agent 行为

26 个内置 Hook，最常用四个：SessionStart（初始化环境/注入项目上下文）、PreToolUse（权限校验、拦截 rm -rf 类危险命令）、PostToolUse（结果格式化、异常告警）、Stop（归档、手机通知任务完成）。在 settings.json 配 command 型 hook 执行 shell 脚本即可，是各家 agent 工具客制化的核心切入点。

— 硬核干货：最近在深度研究 Claude code cli 源码（Jason）

7. /goal：把"做完"变成"做到什么程度"

只写"完成功能开发"会得到只求不报错的成品。正确用法是把模糊要求转为量化验收标准：设定可用性/审美/体验三个维度的验收角色与打分规则，五位验收人 ≥80 分才算完成，不达标持续迭代。

— 分享 Claude Code 里 ：goal 命令的实用玩法，零基础也能直接上手（Jason）

四、Skill / Agent 工作流

1. 企业级落地架构：Agent + MCP + Skills + RAG

以 agent 为核心（可选 opencode/roo code/Claude Code agent sdk，选开源因为自己迭代不过外部）：MCP 是公司原有系统开出的接口（wiki、问题单、财务系统），agent 自主决定何时取数；skills 是固化的工作流（如财务做表的五步流程）；RAG 把私有资料向量化成"有问必答的老同事"。三者挂上 agent，多轮调用大模型直到交付。为什么不自己造 agent：AI 迭代太快，外部更新直接拿来用成本最低。

— 企业级AI系统架构：Agent与MCP实战（Jason）

2. 落地警告：别轻易在公司揽 AI 的活

选 agent、token 额度、skills 打磨、效果验证、数据清洗、知识库精选、优化路径、向老板汇报——全是巨大工作量且没有验收上限。私下学没问题，公司里轻易接手就是"拿一份钱打两份工"。老板只会拷问十件事：用在哪一步、怎么量化验证、优化路径、推广不下去的根因、成本账算得平吗。

— 企业级 AI 落地方案，不管是昨天分享的 agent + MCP + skills（Jason）
— 2026 年所有人都在疯了一样做 AI 工具、提效、降本、讲故事（Jason）

3. 架构进化：从单 agent 到自迭代系统

在基础架构上叠加：sub_agent 独立上下文（不污染主 agent）、多 MCP（git 自动拉码）、RAG 自迭代（答不好自动拉代码向量化入库）、skills 自动生成编排、结果验证循环、疑难问题 COT 长思维链、多模态、用户记忆（.md 每次自动加载）、模型路由（简单走 DeepSeek、复杂走 Claude 控成本）、可观测日志。核心思想：把 AI 调教成能自迭代成长的真同事。

— 前面的 agent + MCP + skills + RAG 知识库的 AI（Jason）

4. 零成本上手：roo code 一把梭

从零实现整套架构难，快速路径：VSCode 装 roo code 插件 + 配一个 DeepSeek API key。roo code 本身就是 agent，右上角配置 MCP，.roo/skills/ 放 skills，skill 的 .md 里还能写 RAG 检索。

— 前面说的 agent + MCP + skills + RAG 的架构（Jason）

5. Subagent 与 Agent Teams 的分工

Subagent 是帮厨：主从关系、听话省 token、上下文干净，但眼界窄需主 agent 二次加工——解决"把活干快干稳"。Agent Teams 是合伙人：对等讨论互相抬杠碰撞创意，适合模糊问题与内容创作，但沟通轮次与 token 代价大——解决"这活该怎么干才对"。

— Subagent 和 Agent Teams，到底差在哪（Jason）

6. Skill 机制为什么聪明

Skill = 一个文件夹 + SKILL.md（何时用+怎么用），按需加载解决了三件事：prompt 太长污染上下文、复杂任务要写长 prompt、公司 know-how 无法沉淀。梯队：Anthropic 官方仓库（docx/pdf/pptx/xlsx 即 Claude 自用的那套）；个人爆款如 Karpathy 式避坑 CLAUDE.md（过度代码占比从 30% 降到 5% 以下）、Matt Pocock 工程师技能集（严格 code-review 清单）；垂直领域 awesome list。

— Skill经济爆发：从官方仓库到个人Markdown（Jason）

7. 嵌入式 Skills 的七种写法

纯手写抽象工作流；基于开源模板填充；代码量不大让 AI 读代码生成初版再手改；从你的 bug 分析历史记录梳理成 skill；从使用手册/数据手册/SOP 总结；对话描述场景让 agent 自动创建再审核。系统内 skills 不宜过多——300 个会让 agent 选花眼，应改为"skills 入 RAG 向量库、实时检索组合"。

— 前面我们讲了 agent + MCP + skills + rag 的 ai（Jason）

8. 弱模型跑 skill 的撰写技巧

skills 别太大，大了拆多个 .md；能抽象成 python 脚本的别让 agent 现做；不一定都要 RAG，手动清洗数据放固定目录让 agent 匹配更省 token；写清工作场景与问题背景帮模型入戏；强制回复格式（如 JSON）；多给示例让模型照模板干活。

— 在前面讲的 agent + MCP + skills + RAG 的 AI（Jason）

9. 生产级 Skill 的 5 条标准与选题

触发精度 ≥90%（核心在 description 字段）、零配置 80 分、有显式 step/checklist 可解释、≥10 条输入→输出的 eval set 可测试、有 version/CHANGELOG 可分发。选题标准：高频+流程明确+有客观成败判据（commit message、review checklist、周报排版值得写；"帮我写代码""创意 brainstorm"不值得）。

— 嵌入式开发Skill开发指南（Jason）

10. Matt Pocock Skills：给真工程师的指令集

npx skills@latest add mattpocock/skills 安装后 /setup-matt-pocock-skills 初始化（Issue 位置/标签/文档目录）。核心指令：/grill-me 需求拷问、/grill-with-docs 统一术语、/to-prd /to-issues 需求转文档与任务、/tdd 先测后码、/diagnose 按步骤排错、/zoom-out 全局视角、/improve-codebase-architecture 定期整架构、/caveman 省 token、/handoff 会话交接。嵌入式场景：寄存器/驱动架构术语对齐、kunit 测驱动、配合 JTAG/串口调试思路、把自己的 BSP/DTS 流程写成 skill。

— 很多人不知道：在同一个对话里，AI 每次回复都要把重新读一遍（Jason）
— Matt Pocock Skills零基础入门教程（Jason）

11. 立芯官方嵌入式 Skills

datasheet_reader（几百页手册快速抓关键参数/限制/demo/初始化流程，支持术语解释与选型比较）；设备树与性能排查 skills V2.0（主 SKILL.md <600 行防上下文挤占，细节入 reference 目录）；低功耗 debug 全栈（suspend/resume 定位、唤醒源管理、Runtime PM、功耗测量、RK 平台 DTS 配置）。共同模式：提问示例+标准回答结构+平台参考文档。

— 很多工程师因为英文不好或者没有基础，读不懂外设的数据手册和 Soc 的芯片手册（Jason）
— 立芯嵌入式更新 嵌入式 Linux 设备树、性能问题排查 skills V2.0（Jason）
— 很多工程师因为英文不好或者没有基础，读不懂外设的数据手册和 Soc 的芯片手册（Jason）

12. Loop Engineering：从"使唤 AI"到"AI 自主循环"

演进：提示词工程（写好一句话）→上下文工程（配齐资料）→Harness 工程（配工具与完成标准）→循环工程（自动化闭环）。标准循环五环节：自动找活（发现）、分发给独立工作区的 AI（交付）、独立审核（干活的 AI 与审核的 AI 必须分开，最不能省）、持久化进度、定时重启。四大风险：验证债、理解负债（脱离业务看不懂自己的项目）、思维惰性、token 成本失控（要设调用上限）。Stripe 用它实现每周上千条自动提交。

— Loop Engineering：AI自动化循环工程入门（Jason）

13. 规格驱动工作流：Spec-Kit / OpenSpec / Superpowers

Spec-Kit 重前置重质量：先定义原则与规格、全量依赖图谱分析、多轮澄清，适合大型正式项目；OpenSpec 轻量敏捷、宽容试错、快为先；Superpowers 偏技能增强。按项目规模与稳定性要求选择。

— OpenSpec与Spec-Kit：AI开发双模式框架（Jason）

14. 自动化 Agent 生态：OpenClaw / n8n-MCP / 多模型团队

OpenClaw（龙虾）四层玩法：AI 伴侣→远程助理（聊天软件下指令）→定时触发（日报/盯盘/整理邮箱发票）→完整工作流自动运营（自媒体、交易、店铺）。n8n-MCP 把 n8n 全部节点封装成 MCP：模板优先、绝不信默认值、多级验证，"用嘴搭自动化流程"。Oh My OpenAgent 把多模型组织成 AI 开发团队并行执行子任务。

— OpenClaw 龙虾可以做什（Jason）
— n8n 是开源版 Make——拖拽节点搭流程（Jason）
— 【AI 开发新利器】Oh My OpenAgent：一句话让 AI 团队为你打工（Jason）

15. RAG 不是万能：无向量库的原生检索

RAG 快且省 token，但黑盒、效果依赖切片/召回/重排设计。固定知识点、业务规则可直接封装进 Skills；项目代码与文档归档目录授权 agent 用 grep/find/bash 自主检索，搭配强上下文理解模型效果稳定。资料统一转 Markdown 可再降复杂度（见第二章第 12 条）。

— 之前我们完整梳理过 AI 应用商业级落地的核心技术栈（Jason）

16. 生态缺位的鞭策：芯片原厂与 RTOS 厂该下场做 AI 工具了

个人被迫手搓 RT-Thread 工程 Skill 的反思：国内原厂"硬件卷上天、软件烂成渣"，没有一家出官方 AI Skill/Agent；文档不实时、版本对不上。AI 时代官方把工程模板、API 文档、BSP 踩坑记录喂给 Agent 本是推广生态最该做的事。

— 嵌入式AI生态批判：芯片厂商与RTOS文档现状（封刀岁月不为峥嵘）

17. Agent 架构复刻容易，会用才是门槛

MCP、skills、多 agent 协作全是开源的、拿来就能用——但正如三年前架构思想开源也没几个人会用，门槛从"写代码的架构"变成"agent 系统的架构"：谁更会用谁更强，只是复刻代价远低于代码架构。

— agent刚才来的时候一直很迷茫，想学，但是觉得没有门槛，mcp，skill都很强（封刀岁月不为峥嵘）

18. 平台化愿景：skills+subagent 重构嵌入式开发流程

立芯规划：平台化各模块梳理为 skills 与 subagent，由总平台 agent 调度需求分析/驱动/APP/测试 subagent，诊断 agent 按 skills 插 log 持续 debug；企业可发布架构设计 MCP。终极方向是把单片机/SoC 开发流程重构到 vscode+ai 框架。

— 最近想法都很多，我们即将把平台化的各个模块都梳理为skils和subagent（Jack）

五、代码质量与验证

1. AI 代码五层质量保证体系

AI 代码天生短板：不合架构、幻觉 API、缺项目上下文、概率生成藏隐患、惯性过度工程化。五层防线：① Prompt 工程+上下文管理（结构化模板：任务/技术栈/规范/禁止/输出/验收，小步拆分 50–100 行、重写优于修补）；② 架构约束（.ai-rules.md 编码宪法：分层、风格、安全红线、禁用模式）；③ 人类+AI 双重 Review（AI 查格式规范，人查设计/功能/复杂度/安全/测试）；④ CI/CD 门禁（静态分析、安全扫描、覆盖率、AI 合规检查）；⑤ 生产监控反哺规则库。

— AI 代码质量保证完整方法论：从臃肿到精简的生产级实践指南（Jason）

2. 把 AI 当嵌入式助教：5 条纪律

先画怀疑清单再问 AI（如"不进中断"先列 NVIC/中断源/向量表三个方向）；AI 给的初始化必须对照数据手册寄存器位或逻辑分析仪验证——STM32 的"对"不是 AI 说对，是参考手册说对；能跑的 Demo 必补边界/异常/长稳（2–8 小时）三类测试；每次留证据链（复现步骤/日志/波形/diff，仓库固定 /docs/、/test/、ISSUE_LOG.md）；建立 AI 坑点库（ISR 阻塞、volatile、DMA 缓存一致性、优先级反转、时钟树分频、低功耗漏电）——能讲清"踩过什么坑、怎么证明修好了"比"做过什么功能"更打动面试官。

— 嵌入式AI编程：能跑只是入场券（刘子奇）
— 老师，今天让ai写了一个bootloader程序，一遍生成可以使用（Jack）

3. AI 硬件选型也会一本正经地错

实例：原理图用 AD7606、核心板用 AD7616，Claude Code 给出的"不能用 AD7606"解析不可照单全收（12 路需求、软件模式 RANGE 配置等需人工核对数据手册）——AI 输出在硬件细节上必须人工证伪。

— 我看硬件工程师的原理图上面用的ADC芯片是AD7606（我是小新）

六、职业影响与学习

1. 工程师竞争力：从实现者到 owner

以后每个人都是事情的 owner：AI 填充框架，框架由人搭。软件架构、密码学方案选哪个，AI 拍不了板；对未知的预测与探索需要人先走一步。

— ai时代工程师的竞争力究竟是什（Jack）
— 我们需要跑步进入“架构➕AI”的时代，未来工程师是：架构师和测试工程师（Jack）

2. AI 对嵌入式岗位结构的影响

AI 增加中小厂岗位、减少大厂岗位：越流程化模板化的工作越被压缩（大厂多）；越需要专业背景与现场判断的岗位越要真人。中小厂每个新产品方向都需要工程师按需求指挥 AI、调用芯片厂 MCP；长期迭代产品的架构是必修课。

— AI对嵌入式开发来说，会大大增加嵌入式中小厂的就业岗位（Jack）

3. 替代会怎么发生：一个测算例子

技术支持场景：RAG 能答 80% 简单问答、coredump+AI 能解 30% bug——100 个问题里 50 个可被替代；不好量化的编码岗位则靠"慢慢加工作量、考核 AI 代码行数"渐进压缩。大公司 IT 会每周监测谁的 token 用量为零并抄送老板。不是危言耸听，是已在推进的现实。

— AI替代嵌入式工程师可能性分析（Jason）

4. 破局三阶段策略

短期（1 年）：拥抱 AI 工具提效 30–50%，同时强化架构、处理器架构、调试方法论、垂直领域知识；中期（1–3 年）：向边缘 AI 部署、AI 辅助开发专家、智能系统架构师转型，构建技术博客/开源等技术品牌；长期（3–5 年）：嵌入式+AI+领域专家+产品商业理解的复合架构师。 Anthropic 2026 四大优先事项亦可参照：多智能体协调、自动化审查扩展人类监督、智能体编码赋能领域专家、安全架构从第一天嵌入。

— AI冲击下的嵌入式工程师职业发展路径（Jason）
— 产业与就业结构变革：AI编码工具与软件未来（Jason）

5. JD 已经在要求会 AI

未来嵌入式岗位要求里清一色会出现："熟练使用 claude/codex 等 AI coding 工具，理解原理，搭建自己的 agent 与 skills 工作流"；招聘简章已把会使用 AI 写进要求。

— 未来不会用 ai 的工程师都会被淘汰，有的同学不明白这句话的含义（Jason）
— 会使用 ai 也慢慢写到招聘简（Jason）

6. 手艺人 vs 构建者

把价值押在"写"会被替代感追着跑；押在"造"（描述问题、设成功标准、拆任务、盯质量）会被工具放大。代码越容易，判断力和品味越稀缺——你不需要写更多，需要构建更对。

— 未来两三年，工程师会被分成人。一种把编程当，一种把编程当（刘子奇）

7. AI 放大的是你本来的水平

AI 不淘汰人，它公开处决低质量认知：工具在平权，判断力不平权；不会思考的人用 AI 只会更高效地制造废话。真正该补的不是提示词，而是认知深度、经验密度、判断与表达。

— AI时代个人认知与成长（刘子奇）

8. 护城河：从"会用工具"到"设计系统"三层进阶

① 用工具→设计工作流（SDD 规格驱动、固化决策流程、多 agent 闭环）；② 个人提效→产品化输出（团队基建、智能客服分身、带记忆的知识资产）；③ 系统性设计思维（先架构后 Prompt；业务拆成确定性规则给机器+不确定性决策给人；逆向复盘"交给 AI 自动运营我还缺什么"——只能由你拍板的节点就是壁垒）。工具快速同质化，能设计"让 AI 替你跑通业务的系统"才是硬通货；组织形态同样是 AI 时代难复制的壁垒。

— AI时代护城河：从工具使用到系统设计（Jason）
— 在 AI 领域，产品、界面和技术优势都极易被复制（Jason）

9. 焦虑案例：AI 几分钟写出 FOC 怎么办

成熟的硬件平台上 AI 生成 FOC 算法几分钟跑通——不必恐慌：嵌入式是定制化行业，终端厂家要求上游芯片厂闭源资料防抄袭，最先进处理细节不会在互联网流通；公司内部资料与行业经验才是壁垒，AI 模拟的是公有世界。先就业、带着行业经验走。

— 我很焦虑，@Jack 在成熟的（Jack）

10. 技术+英语+AI 的乘法

英语帮你把价值 double 三倍；AI 的输出上限取决于你的技术水平——你有多牛，才能问出多牛的答案；三者叠加是最大杠杆。

— 现在我们市面上除了技术，出现了两个东西：英语 AI（Jack）

11. AI 时代的学习方法：真源+渐进式问答+双向链接

视频只适合入门演示，被动输入不等于学习。方法：把经典书籍/权威手册解析成 Markdown 建"真源"知识库（辅以高质量开源仓库文档），写一个学习 Skill 让 AI 扮演只依据材料的苏格拉底式导师、术语强制 双向链接；从"最笨的问题"开始追问，每次困惑变成节点、每次追问变成边，最终自然长出个人知识图谱。

— AI渐进式问答重构个人学习方法（封刀岁月不为峥嵘）
— 星球资料更新：《AI 时代嵌入式学习路线》（立芯嵌入式）

12. 行业信号：AI 往底层走，嵌入式往安全走

周报观察：ST 中国本地制造 MCU 交付（竞争从参数转向供应链确定性）、Arm 下场做 AI 基础设施 CPU（调度/内存/IO 回到舞台中央）、英飞凌车规 MCU 卷 ISO/SAE 21434 与后量子密码（车载竞争逻辑从功能转向安全体系）、Rust 越来越像系统编程必补课。别再只盯"单片机会不会用"，更值钱的是把芯片、系统、安全、工具链串起来的系统视角。

— 嵌入式周报第1期：AI与嵌入式行业动态（刘子奇）

补遗：散帖收录

AI 提效：群消息自动 Summary

企业微信/钉钉/飞书/Teams 群组的历史消息翻找耗时问题：通过 MCP 拿到历史消息 → AI 一键总结出问题背景、现状、每人观点、行动项。微软系（Teams/Outlook）已开放 MCP 可实践；实现后日报周报也能一键生成。AI 提效点都藏在日常工作里，有点子 + 会用 AI 就能做出来。

— AI 提效技巧之 Summar（Jack）

Claude Code 插件直接开发 STM32 程序

Claude Code 插件开发 STM32 程序、RTT 输出日志的 Demo 展示（视频帖）——AI 硬件在环开发的实证案例。

— Claude Code插件开发STM32程序（RTT输出日志）展示Demo（Jason）

正向开发能力是 AI 时代的指南针

从需求到落实的正向开发能力，是 AI 时代嵌入式工程师的基本功锚点（图解，与本总集第二章"边界—约束—收敛"方法论呼应，配图见溯源层）。

— 正向开发的能力（从需求到落实）非常重要，它打的嵌入式工程师的基本功（Jack）

来源笔记

🔗 被以下笔记引用

立芯星球知识库 MOC通信协议与固件升级问答总集