Claude硬件在环：AI造PCB、写固件、迭代虚拟样机

一位开发者用 Claude Code 完成了电机、数十个传感器、定制外壳和主板在内的整机硬件开发流程——从 PCB 到固件再到机械装配，全部在虚拟样机中反复迭代后才下单打样。这条把「AI 写代码」推进到「AI 造硬件」的工程方法论，以及配套开源的 Claude Code skill，正在 Reddit 引发关注。

从写脚本到出制造文件：硬件在环的基本闭环

这条工作流的起点并不是画原理图，而是写 Python 脚本。电路板以脚本形式描述，一路生成到可直接送厂制造的 fab 文件——但前提是 ERC/DRC 全部通过，并且每个元件都能实时对照 LCSC（立创商城）校验库存与参数。

开发者强调，元件校验是硬门槛：料号、封装、可用性三者对不上，设计就不算完成。这种约束让 AI 的产出从「看起来能用」变成「理论上可制造」。

固件同样先行于实物。控制代码在 PC 端对虚拟样机运行，只有通过仿真验证后才需要花钱买元器件。传统流程中「先打板、焊上、再塞代码」的试错成本被大幅前置消解。

ERC/DRC 是电子设计自动化中的两项基础校验：ERC（Electrical Rules Check，电气规则检查）关注原理图层面的连接逻辑，如电源短路、引脚悬空、驱动能力冲突等；DRC（Design Rules Check，设计规则检查）则针对 PCB 布局布线，检查线宽、间距、过孔、焊盘环宽等是否满足制造工艺要求。只有这两项全部通过，生成的 Gerber、钻孔等 fab 文件才具备送厂制造的基本条件。

LCSC（立创商城） 是国内常用的电子元器件分销平台，提供元件的实时库存、封装、参数与价格数据。在脚本化设计中，将每个元件与 LCSC 数据库实时比对，可以避免选到停产、缺货或封装不匹配的料号，这是“可制造性”从纸面走向现实的关键一步。

一个真实项目的尺度与耗时

作者用这套方法跑的实际项目是一个多板系统：包含电机、数十个传感器和定制外壳。整个周期跨越数周、经历多轮迭代，覆盖 PCB、机械装配、控制固件、工装等多个层面。每一次 CAD 变更都会重新核算重量与平衡。

这个细节值得单独拎出来说——重量与平衡通常是在实物组装阶段才暴露的问题，CUB 级别的自动重算意味着结构层面的约束被纳入了迭代闭环，而不是事后才发现重心偏移。

据作者描述，短短几周就累积了约 800GB 的仿真数据，量级上说明这不是象征性跑几次仿真，而是成规模地并行验证。

重量与平衡的自动重算通常依赖 CAD 软件中的质量属性（mass properties）功能：为每个零件赋予材料密度后，软件可自动计算整体质量、重心位置与惯性矩。在多板系统中，电机、传感器和外壳的布局变化会直接影响重心，进而影响装配后的振动、平衡与结构应力。将这一计算嵌入每次 CAD 变更的迭代闭环，意味着结构约束不再依赖实物组装后的手工称重与调整，而是在虚拟阶段就被持续监控和优化。

虚拟世界与现实的偏差：一个数量级

这套方法能否站得住，关键在仿真精度。作者给出的经验判断是：仿真结果与真实物理的偏差大约在一个数量级以内。这个表述相当克制——它不宣称仿真可以替代实测，但足以支撑设计决策与方向性优化。

正因为能在仿真里做取舍，AI 就可以针对特定目标做极致优化：减重、省电、功能完整性或者精度，方向由用户指定。更进一步，可以让 AI 生成某个零件的数百种变体，全部跑一遍仿真（有时通宵跑），拿到数据后再由人做决策。

这种「生成—仿真—筛选」的循环，本质上是把硬件设计里最耗时的探索性工作批量化了。人类工程师通常没有精力枚举上百个方案，而仿真算力可以。

“偏差在一个数量级以内” 是工程仿真中常见的经验性精度描述，意思是仿真结果与实测值的比值大致落在 0.1 到 10 之间。对于电机控制、热管理、结构受力等物理场，这一精度不足以替代最终实测，但足以用于方案筛选和趋势判断——例如比较数百种零件变体时，相对优劣的排序通常比绝对数值更可靠。作者用这一表述划清了仿真与实测的边界：仿真负责缩小搜索空间，实测负责最终确认。

开源方法与使用成本预警

作者把自己的项目内容剥离后，将方法论和一套 Claude Code skill 开源，仓库地址为 github.com/Kemerd/claude-hardware-in-the-loop。skill 的作用是完成初始环境与方法搭建，作者明确表示并非必须长期依赖它——它只是一个合理的起点。

流程的完整闭环是：在虚拟世界中创建并测试 → 订购零件 → CNC 加工 → 打印 → 组装，最终实物表现应当与仿真结果较为接近。

代价方面，作者的提醒很直接：这个过程可能消耗大量 token。硬件迭代天然是长链路、多轮次的，每一轮 PCB 修改、每一次 CAD 变体重跑都会累积上下文与推理开销，成本预期需要提前算清楚。

Claude Code skill 是 Claude Code 中可复用的能力封装形式，通常以技能包或指令集的方式定义特定工作流，让 AI 在特定领域按预设方法执行任务。在本项目中，该 skill 封装了硬件在环开发的初始环境搭建与流程方法，用户安装后即可获得一个可运行的起点。作者强调它并非长期依赖，而是降低入门门槛的脚手架，后续迭代仍依赖开发者自身的工程判断与项目上下文。

这套方法适合谁

从现有信息看，它更适合有一定硬件基础、但缺少时间做完整迭代的开发者：你需要能判断仿真结果是否合理，也需要理解 ERC/DRC、封装、料号这些基本概念，AI 才能在你的方向上放大产出。

它也不是「零基础造硬件」的捷径。虚拟样机降低了试错成本，但没有消除工程判断本身。作者本人的表述更接近邀请：把那些一直想做却没时间做的项目，真正做出来。