企业官网建设流程全解析

如果你最近在关注硬件开发相关的 AI 工具，大概率刷到过这类演示：把一句“帮我画一个 STM32 最小系统板”丢给 AI，几秒钟后生成一张花花绿绿的电路板图。乍看很唬人，但只要你真正做过 PCB，几乎一眼就能发现里面的问题，封装是错的，电源网络没连上，或者根本就是一张“看起来像电路板的图”。

在 PiBox 的设计过程中，我也有过同样的尝试，结果：AI 画出来的板子基本不能用。但后来换了个思路，让 AI 去查错，反而解决了好几个实际项目中容易漏掉的问题。

这篇文章就以 PiBox 的设计日志为背景，聊聊为什么 AI 不适合画电路板，以及把它用在“查错”上为什么更靠谱。换句话说，AI 在硬件开发里的正确位置，可能不是上游的内容生成者，而是中下游的“审查员”和“排错引导员”。

1. 为什么“让 AI 画电路板”是一个伪需求

先说结论：PCB 设计不是一个“生成”问题，而是一个“约束满足”问题。这个判断决定了 AI 在其中的角色边界。

如果你让 AI 写一首诗，它只要生成一串语法正确、意象合理的文字就行，哪怕意思模糊一点，人也能脑补出美感。但电路板不行。PCB 上的每一根走线宽度、过孔位置、网络连接、焊盘尺寸、间距规则，都是为了满足物理约束和制造规则，这些规则并不是“看起来对”就可以。

具体来说，PCB 设计至少包含这几类约束：

• 电气规则：哪些网络必须连在一起，哪些网络绝对不能短路。
• 物理规则：线宽要能承受对应电流，过孔大小要匹配工艺能力，器件间距要满足焊接要求。
• 制造规则：最小线距、最小孔径、板厂工艺极限、拼板与工艺边。
• 电磁兼容：高速信号的回流路径、参考平面完整性、去耦电容摆放。

这些约束集合起来是一个非常严密的系统。而 AI 生成文字或图片时，缺乏这类强约束下的“精准落子”能力。它可以输出一版看起来结构完整的 PCB 版图，但在网络关系、封装对应、制造规则上，几乎必然存在错误。更麻烦的是，这些错误非常隐蔽，设计者如果不够仔细，反而可能被“看起来很专业”的图误导。

所以，当有人说“AI 能画电路板”的时候，真正要问的问题是：这里说的“画”是指生成一张示意图，还是交付一版可以送厂打样的文件？如果是后者，至少在现有的技术条件下，AI 还远没有准备好。PCB 设计的一整套流程，从原理图到网表，再到 Layout 和 DRC 检查，本质上是一个工程严谨性极强的流程，AI 目前更适合介入的环节，是在这个流程中参与检查、分析和辅助判断。

2. AI 在硬件开发里真正能提供价值的环节

既然不能画板，那 AI 在硬件开发里到底能干什么？从 PiBox 的实践来看，价值集中在四个方向：

2.1 第一步：审查类工作

AI 特别擅长从一堆信息里找矛盾和不一致。比如 BOM 里位号重复、封装缺失、连接关系前后不匹配，这些都是查错场景中非常典型的问题。人眼逐行核对很容易疲劳，但 AI 可以基于规则做一遍地毯式扫描，再配合脚本，效率提升非常明显。

2.2 第二步：知识问答与数据处理

原理图和芯片数据手册，是硬件开发中最花时间的阅读材料之一。AI 可以快速回答“这个芯片的引脚定义是什么”“这颗 LDO 的 dropout 电压是多少”“I2C 上拉电阻应该选多大”这类问题。它不一定比权威手册更可靠，但能帮你快速定位到手册中的关键页，减少大海捞针的时间。

2.3 第三步：焊接和上电调试的排查引导

板子焊完不上电、上电短路、某个引脚电压不对，这类问题很多人第一反应是拿着万用表到处戳。AI 可以扮演一个“有经验的同事”，根据你描述的现象，给出结构化的排查顺序：先量电源入口、再查 LDO 输出、然后查复位时序。这种方法比盲目乱试要高效得多。

2.4 第四步：固件与硬件配合问题

很多硬件问题其实出在软件配置和硬件不匹配上，比如 I2C 地址算错、ADC 参考电压选错、引脚复用配置不对。AI 在代码审查和配置检查方面的能力，已经相当可用，尤其是在芯片参考手册和 SDK 资料比较完善的情况下。

这些方向的共同点是：AI 不负责最终决策，也不负责生成最终交付物，它负责提高人在查找、核对和定位问题时的效率。画电路板需要的是确定性，而查错需要的是“怀疑一切”的扫描能力，后者反而更适合当前 AI 的模型特性。

3. PiBox 项目里的查错场景：一个真实硬件设计的问题集合

PiBox 是一个带有主控、传感器、显示和电源管理的硬件项目。它的设计难度不算高，但正因为“不算高”，反而容易在细节上翻车。这里的经验对很多做硬件原型设计的开发者都有参考价值，尤其是那些从软件背景转向硬件的人。

在 PiBox 的迭代过程中，我们实际遇到的错误大致可以分成这几类：

• 电源树设计问题：某个模块的工作电压和 LDO 输出不匹配，导致上电后模块不工作。
• 封装错位：原理图里用的封装与实际采购的器件引脚不匹配，焊接时才发现。
• BOM 数据混乱：出现重复位号、缺少封装信息、数量与装配图不一致。
• 网络连接遗漏：原理图里某个引脚悬空，或者连到了错误的网络上。
• 焊接工艺问题：手工焊接时，热敏器件旁边放了发热严重的 LDO，导致虚焊。

这些问题的共同点是：它们不是设计者的能力问题，而是在数十个器件、上百个网络的复杂度下，人工核对很难做到 100% 不遗漏。AI 的价值在这里体现得非常直接——它是一个不知疲倦的第二双眼睛。

在一开始，我们也试过让 AI 直接输出原理图，甚至“脑补”一个 PCB 布局，结果都不理想。后来调整了思路：让 AI 参与审查和排错，而不是生成。这个转变让整个开发流程顺畅了很多。

4. 电路板查错到底在查什么：四级检查法

许多硬件新手拿到一块板子后，不知道从哪里开始查错。这里分享一套在 PiBox 项目中用到的四级检查法，从原理图到焊接上电逐级推进，每一级都能对应到 AI 可以发挥价值的地方。

4.1 第一级：原理图检查

原理图是电路板的大脑，也是最容易藏问题的阶段。检查重点是：

• 电源网络命名是否统一？VCC_3V3 和 3V3 是不是被当成两个网络了？
• 每个 IC 的电源引脚旁是否有去耦电容？电容容值和耐压是否合适？
• 复位引脚是否有上拉或下拉电阻？悬空的复位脚很容易受干扰。
• I2C 总线的上拉电阻是否遗漏？
• 使能引脚是否设置了正确的默认电平？

这个阶段非常适合用 AI 进行规则审查。你只需要把原理图的网络连接关系整理成文本，或者用截图配合清晰的检查清单，AI 就能找出不少问题。相比于人眼逐条读网络表，AI 的处理速度要快得多。

4.2 第二级：PCB 版图检查

版图是物理层的实现。这一阶段检查的重点是：

• 线宽是否满足电流要求？例如电源走线太细，会导致压降和发热。
• 地平面是否完整？有没有被信号线割裂成几块？
• 去耦电容是否靠近 IC 电源引脚？放得太远等于没有。
• 高速信号线是否有完整的回流路径？
• 过孔数量是否足够？电源或地回路上的过孔太少会引入较大寄生电感。

这一级 AI 的直接生成能力还不够，但可以配合 EDA 工具的 DRC 报告进行分析，快速解释每条 DRC 错误背后的含义，并给出修改优先级。

4.3 第三级：BOM 与装配检查

BOM 是原理图到实物之间的桥梁。很多返工都源于 BOM 错误，典型问题包括：

• 位号重复或缺失。
• 封装不匹配，比如原理图用 0603，实际买的是 0805。
• 器件耐压或功率不满足应用条件。
• BOM 数量与 PCB 上的焊盘数量不一致。

这一级非常推荐用脚本配合 AI 做自动化检查。因为 BOM 是结构化数据，适合用代码做格式校验，再用 AI 做逻辑判断。后面会给出一个可用的检查脚本示例。

4.4 第四级：焊接与上电检查

板子焊完不能直接上电乱戳。一个稳妥的流程是：

1. 目检：用放大镜或显微镜检查焊点、桥连、虚焊。
2. 电源短路测试：上电前用万用表量电源和地之间的阻值，排除短路。
3. 分步上电：先只给电源部分上电，测量各输出点电压是否正常。
4. 模块逐个启用：确认电源稳定后，再逐个检查传感器、显示、通信等模块。

AI 在这一级的主要作用是“排错引导”。你描述现象，AI 给出排查顺序。比如“板子上电后电流异常偏大”，AI 会先建议断开负载测电源，再逐路排查是哪一路短路。这种引导非常实用，尤其适合刚接触硬件的开发者。

5. 让 AI 查错落地的第一步：写一份给 AI 的“查错清单”

很多人让 AI 查电路板时效果不好，问题往往不是 AI 能力不够，而是提示词太笼统。“帮我检查一下这块板子”这种问题，AI 根本不知道从哪里入手。

更好的方式是先建立一份结构化的查错清单，把它作为提示词的一部分提供给 AI。这样 AI 的输出不只是“这里可能有问题”的模糊判断，而是对应到具体检查项目、风险等级和处理建议。

下面这份清单是 PiBox 项目里常用的一份模板，可以直接复制使用：

你是硬件电路审查助手。请按照下面的检查清单逐项审查我提供的原理图或 PCB 描述文本，输出“问题描述 / 风险等级 / 修改建议”。 检查清单： 1. 电源树：输入电压范围是否匹配所有器件，各电源轨电压是否与器件工作电压一致。 2. 去耦电容：每个 IC 电源引脚附近是否有 0.1uF 去耦电容，电容耐压是否满足要求。 3. 地网络：是否存在单点接地、地平面分割、模拟地与数字地处理不当的问题。 4. 信号完整性：高速信号是否跨越参考平面分割，差分信号是否等长，是否需要端接电阻。 5. 元件位号：是否存在重复位号、空封装、BOM 数量与装配图不一致。 6. 引脚方向：二极管、电解电容、LDO、稳压管方向是否接反。 7. 上下拉电阻：I2C 总线上拉电阻是否缺失，复位引脚、使能引脚是否悬空。 8. 热与工艺：发热器件是否靠近敏感器件，焊盘间距和最小线宽是否满足板厂工艺能力。 9. 功率与热量：电源走线是否满足电流要求，是否存在过孔载流不足。 10. 结构干涉：板边器件是否可能被安装螺丝或外壳压到。 注意：对不确定的信息，输出“需要人工确认”，不要武断下结论。

使用这份清单时，把原理图的关键信息（网络列表、器件列表）整理成文本，或者直接贴截图，AI 就能输出比较有参考价值的检查结果。当然，AI 的检查不能替代 EDA 工具的 DRC 和人工评审，但可以作为一个前置筛查手段，把明显问题先过滤掉。

6. 用脚本 + AI 做一个真实的查错示例

查错不能只靠“感觉”，对于 BOM 和网络表这类结构化数据，脚本检查往往是性价比最高的方式。这里分享几个 PiBox 项目里实际用过的检查脚本，你可以根据自己的项目格式做相应调整。

6.1 BOM 检查：重复位号与缺失封装

BOM 表可以从立创 EDA、Altium Designer 或 KiCad 中导出，格式大同小异。下面这个脚本基于 CSV 格式的 BOM，检查重复位号和缺少封装的问题。

# 文件路径：tools/check_bom.py import csv import sys from collections import defaultdict def check_bom(csv_path): refs = defaultdict(list) missing_footprint = [] total = 0 with open(csv_path, newline='', encoding='utf-8') as f: reader = csv.DictReader(f) for row in reader: ref = row.get('位号') or row.get('Reference') fp = row.get('封装') or row.get('Footprint') value = row.get('数值') or row.get('Value') if not ref: continue total += 1 refs[ref].append(value) if not fp or fp.strip() in ('', 'unknown', '待定'): missing_footprint.append(ref) dup = {ref: vals for ref, vals in refs.items() if len(vals) > 1} print(f"BOM 总器件数: {total}") print(f"缺少封装的位号: {missing_footprint}") if dup: print(f"重复位号: {dup}") else: print("重复位号: 无") if __name__ == '__main__': check_bom(sys.argv[1])

运行方式：

python tools/check_bom.py bom.csv

这个脚本的逻辑并不复杂，但能快速发现人工核对容易漏掉的问题。重复位号在原理图导入 PCB 时经常导致封装错乱，缺少封装则会让采购和贴片环节直接卡住。

6.2 网络表检查：悬空网络与单点网络

网络表是原理图连接关系的结构化表达，也是 PCB 布线的基础。针对网络表做脚本检查，可以提前发现悬空引脚、单点网络等风险。

# 文件路径：tools/check_nets.py # 输入：从 EDA 导出的网络表 CSV，至少包含 net_name、pin_ref、pin_name、direction 四列 import csv import sys from collections import defaultdict net_pins = defaultdict(list) with open(sys.argv[1], newline='', encoding='utf-8') as f: for row in csv.DictReader(f): net = row['net_name'].strip() pin = row['pin_ref'].strip() direction = row.get('direction', '').strip() net_pins[net].append((pin, direction)) for net, pins in net_pins.items(): unique_pins = set(p[0] for p in pins) if len(unique_pins) == 1: print(f"[WARN] 网络 '{net}' 只连接了 {pins[0]}，疑似悬空") elif len(unique_pins) == 2: print(f"[INFO] 网络 '{net}' 只有两个端点: {list(unique_pins)}，请人工确认是否为测试点或跳线")

运行方式：

python tools/check_nets.py nets.csv

如果你的项目有多路电源，建议重点关注电源网络。很多上电不工作的故障，本质上是某个电源引脚在网络表里根本没连上，而原理图看起来是连着的，这种问题肉眼很难分辨，但脚本可以精准暴露。

6.3 结合 AI 做结果分析

脚本输出的检查结果通常是一堆原始字符串，此时可以让 AI 帮忙解读。例如将脚本输出粘贴给 AI，并附上问题：

这是我用脚本检查 BOM 得到的结果： （粘贴脚本输出） 请帮我分析哪些问题是必须修复的，哪些是提示性的，并列出修复优先级。

这种方式相当于让 AI 担任“初级审查员”，先把风险分级，你再根据分级结果决定是否深入处理。对开发者来说，减少的是机械核对的时间，而不是减少最终决策的责任。

7. 常见误区与排查方法

在实际应用“AI 查错”的过程中，很多开发者会踩到一些坑。这里整理 PiBox 项目里遇到过的问题，供参考。

这里要特别提醒一点：AI 查错输出的是“建议”，不是“事实”。尤其是在封装参数、电气规格这类数据上，AI 有可能给出看起来很合理但实际上错误的答案。比较好的做法是：AI 负责快速筛查和风险提示，人负责最终确认。凡是涉及要修改版图、更换器件的决定，都必须回到数据手册和 EDA 工具里验证。

8. AI 硬件查错的工程建议与风险边界

如果要把 AI 真正用进硬件开发的日常流程，有几个工程层面的建议值得参考。

8.1 建议一：把 AI 查错固定成流程节点

不要只在出了问题的时候才想起 AI，而是把“AI 预审”变成项目节点的一部分。例如：原理图完成后，导出网络表和 BOM，跑一遍脚本检查，再让 AI 根据查错清单输出风险报告。这个过程通常只需要十几分钟，但能有效降低后期改版次数。

8.2 建议二：安全边界要清晰

AI 在硬件开发中真正需要警惕的是“过度信任”。一些开发者拿到 AI 的答案后不经过验证就应用于电路设计，结果往往很惨。更稳妥的态度是：把 AI 当作一个经验丰富但偶尔会犯错的同事。它的优势是见多识广、回答速度快，但也可能把数据手册里的某个参数张冠李戴。

尤其是在涉及高压、大电流、电池供电等场景时，必须坚持“人工复核”的原则。任何 AI 给出的电气参数、器件选型建议，都要回到官方数据手册验证，涉及安全的关键电路，建议请有经验的硬件工程师评审。

8.3 建议三：善用 EDA 工具的 DRC 与仿真

AI 无法替代 EDA 工具的 DRC（设计规则检查）和仿真功能。DRC 能检查线宽、间距、过孔等物理规则是否满足制造要求；仿真能验证信号完整性和电源完整性。AI 更适合的是解释这些检查报告，告诉你某个 DRC 错误意味着什么，而不是替代工具去生成版图。

8.4 建议四：持续维护自己的查错清单

每一次项目复盘后，都可以把新踩的坑补充到查错清单里。比如某个项目里发现“LDO 的散热焊盘没打地孔导致温度过高”，就可以在清单里增加一条“电源芯片散热焊盘是否打过孔”。随着清单越来越完善，AI 查错的质量也会随之提高。

9. 回到 PiBox：一个更现实的 AI 硬件工作流

PiBox 项目最终沉淀下来的 AI 工作流，可以概括为一个循环：

1. 用脚本检查结构化数据（BOM、网络表），先过滤掉确定性问题。
2. 用 AI 做规则审查，用查错清单驱动，输出风险分级报告。
3. 对 AI 输出的风险项，回到数据手册和 EDA 工具中逐条验证。
4. 把项目中遇到的真实问题补充进查错清单，进入下一个迭代。

这个流程不追求让 AI 直接产出最终交付物，而是把 AI 嵌入到“人机协作”的查错环节。从实际效果看，它比“让 AI 画电路板”要靠谱得多，也更符合当前 AI 能力边界。

如果你也在做硬件项目，建议从今天开始做一个调整：下次不要再让 AI 直接画电路板，而是试试把 BOM 导出来，让 AI 先查一遍。你会发现，它可能不是你想象中的全能设计师，但却是一个非常不错的“审查搭档”。