从“问 AI”到“拥有自己的 AI 工程团队”一个电力电子工程师的 AI 进化之路

从“问 AI”到“拥有自己的 AI 工程团队”

一个电力电子工程师的 AI 进化之路

最近在研发工作中深度使用AI后，我有一个越来越强烈的感受：

对于电力电子工程师而言，AI带来的变化，远远不是“多了一个更聪明的搜索引擎”。

真正的改变，是我们正从“用AI回答问题”，逐步走向训练AI、沉淀经验、构建属于自己的AI工程团队。

结合近几个月在LLC、PFC、磁性器件、SiC MOS、测试分析等研发场景中的实践，我把电力电子工程师使用AI的方式，总结为五个层级。

第一层：AI替代搜索引擎——快速获取知识

这是大部分工程师目前使用AI的阶段。

比如我们常会提出这类问题：

LLC谐振变换器为什么轻载容易失去ZVS？
PC95磁芯的Steinmetz损耗公式是什么？
SiC MOS和GaN MOS的优缺点有哪些？
某个拓扑的工作原理如何？

放在过去，解决这些问题需要：

查Datasheet、翻论文、逛技术论坛、阅读大量英文资料……

现在只需要向AI提问，几分钟就能获得一份结构化的答案。

但这个阶段，只是AI应用的起点。

第二层：AI成为研发助手——参与分析和计算

更进阶的用法，是让AI参与到实际工程问题的分析中。

比如这些工作都可以让AI协同完成：

分析LLC的工作状态
推导磁芯损耗
检查PLECS或Saber仿真模型
对比不同MOS器件
阅读拆解Datasheet
分析示波器波形
协助编写测试脚本

到了这个阶段，AI不再只是“给出答案的工具”，更像一位经验丰富的同行，能和我们一起讨论设计方案。

也是从这里开始，模型能力的差异开始凸显：

ChatGPT、Claude、Gemini、DeepSeek……不同模型在推理能力、多模态能力、代码能力上的区别，会直接影响工程分析的质量。

第三层：AI Agent——让AI完成完整工作流程

真正让我感受到效率巨大提升的，是第三个层级。

我一直秉持一个简单的原则：

如果一项工作我手动完成了三次以上，我就应该考虑教AI去完成它。

以最常见的测试数据处理流程为例：

CSV原始数据 → 数据清洗 → 计算关键参数 → 绘制趋势图 → 分析异常原因 → 生成Markdown测试报告 → 归档到Obsidian知识库

第一次，自己完整走完流程；

第二次，带着AI一起完成，边做边校准；

第三次，让AI独立执行，再修正它的错误。

当AI完整掌握这套流程后，就可以把整个过程沉淀成一个「Skill」。

之后只需要一句话指令：

“调用LLC温升测试分析Skill。”

几分钟后，一份完整的测试报告就能自动生成。

第四层：建立个人AI Skill库——把经验数字化

一个优秀工程师最宝贵的资产是什么？

从来不是某一个计算公式。

而是几十年积累下来的：

分析问题的流程
判断方案的逻辑
落地设计的经验
各类失效案例
解决问题的方法论

过去这些经验只存在于我们的大脑里。

未来，它们可以逐步沉淀成一个个可复用的AI Skill：

plaintext

Power_AI_Skills/

├─ 01_测试分析

│ ├─ 示波器波形分析.md

│ ├─ 效率测试分析.md

│ └─ 温升测试报告.md

├─ 02_磁性器件

│ ├─ LLC变压器设计检查.md

│ └─ 磁芯损耗计算.md

├─ 03_器件应用

│ ├─ SiC MOS选型.md

│ └─ 驱动电路检查.md

├─ 04_仿真分析

│ ├─ PLECS模型检查.md

│ └─ Saber结果分析.md

└─ 05_项目经验

├─ 失效案例库.md

└─ 设计评审清单.md

这些Markdown文件，本质上就是工程师经验的「源代码」。

未来无论使用ChatGPT、Claude、Gemini、DeepSeek，还是其他AI Agent，都可以直接调用这些经验。

真正核心的资产，从来不是某个AI平台，而是你自己积累的Skill。

第五层：拥有自己的AI工程团队

未来最强的工程师，未必是用上了最强AI模型的人。

因为同样的GPT-6、Claude或Gemini，在不同人手里，工作效率可能相差十倍。

差距的核心来源，是这四点：

个人知识库的厚度
专业Skill的沉淀
自动化流程的完善度
AI Agent的协作能力

未来的研发模式很可能是：

一名人类工程师 + 多个AI Agent

你可以拥有这样的分工团队：

AI测试工程师：负责处理示波器数据、生成测试报告
AI磁件工程师：负责计算磁芯损耗、分析绕组方案
AI器件工程师：负责对比SiC MOS、GaN器件参数
AI文档工程师：负责阅读Datasheet、论文和专利
AI软件工程师：负责编写Python工具、自动化处理数据

而人类工程师的核心工作，会越来越聚焦于：

提出问题、定义目标、判断方案、做出关键决策。

结语

过去几十年，工程师一直在学习使用各类工具：

从计算器到MATLAB，从示波器到仿真软件，从Excel到自动化测试平台。

AI，也将成为下一代最重要的工程工具。

现在很多人还在讨论：

“ChatGPT、Claude、DeepSeek，到底谁更厉害？”

但也许几年后，真正拉开工程师之间差距的，不是谁用了哪个模型。

而是谁更早开始，把自己的经验、流程和方法，沉淀成了独属于自己的AI Skill库。

因为未来最有竞争力的工程师，从来不是一个人在战斗。

而是一个人，带着一整支由AI组成的工程团队。