• 综合资源：https://www.eetree.cn/doc/103
• 实验资源：https://www.eetree.cn/doc/1298

  我想用AI来重构仪器界面的梦想由来已久（已经快10年了，当初没有想到AI，也没有想到AI现在这么厉害）：

1 常说，仪器是我们的眼睛，其实言下之意，仪器只是一个信息显示终端。我们平时用它，要么只看时域的波形，要么只看频域的谱线，获取的信息也只是 - 频率是多少、幅度有多高、有杂波、有过冲。。。究竟看到的这些跟电路有什么关系？多数人其实没有足够的知识去做分析；很多时域波形上的噪声可以通过频谱来大致确定其来源，但有多少工程师会结合二者一起看呢？

  尝试一下，你把示波器屏幕上的波形拍照下来，传给“最好用”的大模型；再进一步，你把它的FFT之后的频谱也拍照传给大模型；更进一步，你把你正在测量的电路的PCB板图（最好有示波器探头测试位置的照片）、原理图一并传给大模型，你会发现大模型真的能帮你神奇地定位出问题，很快！

  真实的故事 - 我们一位资深工程师调试了两天的电路仍然解决不了板子上自激震荡的问题，我让他将板子的照片、原理图以及示波器上的波形照片传给大模型，大模型指示在反馈电阻上并联一个小于10pF的电容，振荡问题瞬间解决。

  M2K有示波器可以看时域波形、有频谱仪可以看频域波形、有网络分析仪可以测频响曲线和相位曲线，如果把它们都结合在一起呢？

如果在把电路仿真功能（好的大模型能够看懂PDF或图片格式的原理图并直接给出电路分析和仿真结果）也结合在一起呢？

  即便资深的硬件工程师（包括我遇到过的高手）也很难在短时间内将这些信息组合在一起来分析电路上存在的问题。

  但大模型可以啊！它只要把仪器捕获的多周期的波形数据进行分析，就可以得出更多显示屏上显示的信息之外的更多信息。

  拥有数据的仪器不应该只是个“显示终端”，更应该是一个“智能诊断中心”！

  2 我们调试电路时的对象，专业词汇叫DUT（Device Under Test），其测量的过程本质上就是通过信号源发出的已知的激励信号（因）以及通过数据采集设备，比如示波器、频谱仪（果），推断出待测设备的电路导致的因到果的变化，从而对其特性进行判断。

  但，我们多数的调试，只看到多种因素混杂在一起的“果”，而“因”只是工程师基于单一要素的前提假设，穷其一周时间仍然对着乱糟糟的波形发呆。

  没有反馈机制构成闭环的测试系统不是一个好的测试系统。

  不善用信号发生器的工程师不是一个好的工程师，不理解下面这张图的功能的工程师也不是一个好的工程师。

  我们不能指望多数工程师都是好工程师，能做的事情就是让仪器更智能化 - 如果我们在测试系统中将信号源和数据采集紧密结合在一起，构一个完整的闭环测试系统，通过改变信号源（因），看采集到的数据（果）发生什么变化，从而可以迅速判断出DUT的因果关系。

  所以，测试的架构也要改变，必须将信号源深深嵌入到系统中。

  基于上述，我想借助开源的ADALM2000来做一些尝试：

1. 先重构一个基于Web的界面，毕竟那些时域波形和频谱的直观显示还是非常重要的，先叫它Web-Scopy吧。
2. 在Web-Scopy上植入AI分析的功能
3. 上传原理图和PCB布局布线文件，让AI结合实际的设计工程文件对电路进行分析

  再通过截图看一下：

设备连接，还是需要本地安装一个Bridge程序

双通道示波器功能

10个常用的实验模版

一、整体架构

• 系统采用 Web 前端 + 本地 Bridge + AI 服务 三层架构。

• 浏览器负责仪器 UI 和交互

• Bridge 作为本地后端通过 libm2k 驱动 ADALM2000 硬件

• AI 层则提供规则引擎与大模型诊断能力。

• 前端与 Bridge 之间通过 localhost 上的 HTTP（控制指令）和 WebSocket（实时数据流）通信。

二、技术栈选型

• 前端 推荐 React + Vite + TypeScript，状态管理用 Zustand，数据请求用 TanStack Query，波形绑定用 Canvas 2D 或 WebGL（大数据量时），Web Worker 做 FFT/降采样计算。
  

• Bridge 后端 MVP 阶段用 Python FastAPI + libm2k 的 Python binding，numpy/scipy 做测量计算，性能优化阶段可逐步用 Rust 重写关键路径。
  

• AI 层 本地规则引擎用 Python 实现，大模型接口对接 Claude API 或其他 LLM 服务。

三、数据流核心设计

• 实时采样链路为：ADALM2000 → libm2k → Bridge 采样线程 → Raw Buffer → 降采样/峰值保真压缩 → WebSocket 推送 Display Buffer → 前端 Canvas 渲染。

• 关键是 Raw Buffer 与 Display Buffer 分离 - 原始数据保留用于精确测量和导出，降采样后的数据用于 UI 渲染，保证 20-30 FPS 的刷新率。

• AI 分析链路则从测量结果中提取结构化特征，先过规则引擎检测常见故障（削顶、偏置异常、振铃等），再将特征摘要送入 LLM 输出诊断结论。