夜雨聆风📡 硬件人进化论 · 第③篇
射频老炮的AI工具箱——哪些工具值得现在就装上
文 / 一个把AI工具当成口袋仪器的硬件工程师
上两篇说了"为什么要用AI"、"AI能帮你干啥"，这篇终于到了最解渴的部分：给你一个可以直接抄的工具清单。
废话不多说，直接开箱。
一、先说一个反直觉的结论
很多人第一反应是：工具越多越好，多装几个总没错。
错。
工具装太多、每个用三天就放弃，是AI工具使用的头号坑。我的建议是：先把一两个用深，再谈扩展。一个用熟的工具，比十个浅尝辄止的工具价值大十倍。
下面的清单，我会明确告诉你每个工具在射频硬件这个场景下的具体用法和主要坑点，不是泛泛的功能介绍。
二、核心工具：这三个先装
① Claude / ChatGPT——你的全能技术顾问
这两个放在一起说，因为对硬件工程师来说，日常使用场景高度重合。
在射频硬件场景下，它们最能发挥价值的地方是：把一个复杂的技术文档、标准章节或问题描述扔进去，让它帮你"翻译"成人话，然后给出初步分析框架。
具体怎么用：
把3GPP TS 38.521某一章节的原文复制进去，问它"这段对5G NR Band n79的ACLR要求是什么，用工程师能懂的语言解释"——比你自己啃英文快三倍 描述一个射频故障现象（比如"TX功率在温度超过60°C后下降约2dB，但室温下正常"），让AI帮你列出可能的原因和排查顺序 让它帮你写器件选型的对比表格框架，你再填数据
主要坑点： AI会"自信地编造"具体数值。它告诉你某个PA的P1dB是30dBm，你别信，回datasheet确认。用它做分析框架和逻辑推演，不要用它做最终数据来源。
Claude在处理长文档（比如上传整份datasheet PDF）方面表现更好；ChatGPT的代码生成在某些场景下更稳定。建议两个都开账号，哪个顺手用哪个。
② Cursor——硬件人写代码的最佳助手
如果你还没装Cursor，现在就去装。
Cursor本质是一个AI加持的代码编辑器（基于VS Code），对于软件基础薄弱的硬件工程师来说，它能把"我完全不会写代码"变成"我能把这段代码改到能跑"。
在射频测试场景下的具体用法：
告诉它"帮我写一个Python脚本，读取VNA导出的.s2p文件，画出S11和S21随频率变化的曲线"，它直接给你可以跑的代码 写SCPI指令控制频谱仪自动测量TX功率，不用自己查仪器手册 处理测试数据CSV，批量提取EVM、功率、频偏等指标
Cursor最厉害的地方是：你可以直接在它里面问"这段代码第8行是什么意思"，它帮你解释；你改错了，它帮你找哪里出了问题。对不懂编程的人来说，这个体验是革命性的。
主要坑点： Cursor是编辑器，需要你自己配Python环境。第一次配环境可能要折腾一下，但就这一次，以后就顺了。
③ NotebookLM——专门用来"消化"大文档的神器
这个工具知道的人不多，但对要读大量技术文档的硬件工程师来说，它可能是最被低估的一个。
NotebookLM（Google出品，免费）的核心能力是：你把一堆PDF上传进去，然后针对这些文档内容进行问答——它只会基于你上传的内容回答，不会乱编。
射频硬件的具体用法：
把某颗射频芯片的完整datasheet、application note、errata三份文档一起上传，然后问"这颗芯片在40MHz带宽模式下，PLL锁定时间的推荐配置是什么，有没有已知勘误"——它给你一个综合三份文档的答案，还标注来自哪一页 把竞品的多份公开技术文档上传，做技术横向比较 把公司内部的设计规范文档上传，问它"这个电路设计是否符合EMC规范第4.2章的要求"
主要坑点： NotebookLM目前对中文文档的支持比英文稍弱；文档上传有数量上限，但对日常使用来说足够。
三、进阶工具：用熟前三个之后再看
Perplexity——带引用的技术搜索
可以理解为"会给你列参考文献的AI搜索"。当你需要找某个技术方案的行业现状、某个标准的最新修订、某类器件的市场格局，Perplexity比直接问ChatGPT更可靠，因为它的答案都附有原始链接，你能验证信息来源。
射频场景用法：搜索"Wi-Fi 7 AFC规范最新进展"、"5G RedCap模块主要供应商对比"这类需要实时信息的问题。
GitHub Copilot——如果你已经在用VS Code
如果Cursor对你来说上手门槛太高，GitHub Copilot可以作为更轻量的起点——它直接以插件形式嵌入VS Code，写代码时自动补全，体验像"代码界的输入法联想"。
现在上工具全景图：---
四、一个工作日，这些工具怎么配合着用？
举个真实的工作日场景：
早上来了一个任务——评估某颗新的Wi-Fi 7射频芯片是否适合下一代CPE项目。
第一步：把芯片datasheet和官方application note上传到NotebookLM，问它"这颗芯片支持哪些频段，320MHz带宽下的噪声系数和发射功率是多少，有没有已知的应用限制"。五分钟，得到有出处的摘要。
第二步：把NotebookLM的答案和你们项目的技术需求一起扔给Claude，问它"基于这些参数，和我们项目的link budget需求对比，这颗芯片有哪些潜在风险点需要进一步确认"。得到一份有条理的风险清单。
第三步：你发现需要写一个Python脚本来处理上一个项目的S参数测试数据做对比参考。打开Cursor，描述需求，它给你代码，你跑起来，有报错继续问它。半小时搞定。
第四步：把以上分析整理成芯片评估报告。把关键结论和数据喂给Claude，让它帮你写报告框架和初稿，你修改核心判断部分。
整个流程，以前一天半的工作，现在半天完成。剩下的时间，去想那些AI还搞不定的事。
五、最后一个忠告：别信AI说的具体数字
这条值得再强调一遍。
AI工具在逻辑推理、框架搭建、文档理解上很强，但在具体数值上会犯错——而且犯错的时候它依然一脸自信。
射频设计里，这些数字永远要回原始文档确认：
器件的关键RF参数（P1dB、NF、频率范围） 寄存器地址和配置值 标准规范的具体限值（EIRP、OOB emission mask等） 认证测试的具体要求数字
把AI当聪明的助手，别把它当权威数据库。
