AI 画完 STM32 板子，重点不是画得多好
AI 画完 STM32 板子，重点不是画得多好
这条视频表面是在展示一句话让 Claude 打开立创 EDA，放元件、加晶振、画连线，最后生成一张 STM32 最小系统板原理图。真正值得深扒的不是“AI 能不能替代硬件工程师”，而是另一个更靠近生产力的问题：当 AI 不再只在聊天框里给建议，而是被接进具体软件、插件、脚本和可验证界面之后，原来属于专业软件的操作流，会被重新包装成可编排的工作流。
视频里最有价值的部分并不是成品原理图有多漂亮。画面最后也能看出，它不是一个可以直接无脑投板的工业级交付，布局和连线还有明显别扭，博主自己也承认“画得其实挺乱”“后面可以教它画得更好”。但这恰恰是它的价值：它没有把 AI 神化成一次性替代专家，而是把一个很早期、很真实的转折点拍出来了。
这条视频告诉我们的不是“硬件设计已经自动化完成”，而是“硬件设计正在被接口化”。只要工具有可调用入口，AI 就能从会说，变成会动；从给步骤，变成执行步骤；从回答“怎么做”，变成在软件里真的做一遍。这个变化会先出现在最小系统板、BOM 整理、批量改封装、ERC 前置检查、教学演示这些边界清晰的任务里，然后逐步逼近更复杂的设计判断。
所以这条视频值得作为一个样本看：它不是终局，但它暴露了下一轮 AI 工作流的基本结构。
视频本体：它实际演示了什么
视频长度约 195 秒，主题是用 Claude、VS Code、EasyEDA 和桥接插件协同，让 AI 自动完成 STM32 最小系统板原理图的初版绘制。
画面不是口播为主，而是屏幕录制为主。音频转写里只有一些碎片，比如安装 skill、启动服务、在高级拓展管理器里搜索插件、勾选连接、询问 skill 能干什么、让它导入 STM32、最后评价画得乱但可继续教。真正的信息主要来自画面字幕和软件界面。
视觉轨给出的时间线很清楚：
开头 0 到 5 秒，EasyEDA 左侧已经出现原理图雏形，右侧 VS Code 终端显示元件数量、网络标识等统计，字幕直接打出“9分钟，AI帮你画完一整张原理图”。这不是从空白开始慢慢铺垫，而是先把结果甩给观众。
6 到 42 秒，博主在 VS Code 里安装 EasyEDA Skill。Claude 自动 clone 仓库、安装依赖，终端里有 npm install 和依赖安装完成的日志。字幕强调“Claude 自动 clone + 装依赖”“Skill 已被 Claude 识别”。这一段的核心不是安装本身，而是在告诉观众：AI 已经不是只会生成代码片段，它能把一个能力包接进自己的工作环境。
43 到 66 秒，画面切到 EasyEDA，通过扩展管理器搜索并安装 Run API Gateway 插件。这个桥接插件是关键，因为它让 EDA 软件从封闭界面变成可被外部控制的执行面。没有这层桥，AI 只能告诉你怎么点；有了这层桥，AI 才能实际创建元件、放置元件、连线、打网络标识。
67 到 89 秒，VS Code 中启动 Bridge 服务，EasyEDA 客户端显示连接成功。这里完成的是“模型端”和“工具端”的握手。很多 AI 工作流失败，不是模型不聪明，而是没有把模型输出接到能执行的工具入口上。这个视频恰好把中间那层桥拍出来了。
90 到 109 秒，Skill 自我介绍，展示自己能做 PCB 自动化、元件库、批量操作等能力。博主再输入类似“EDA，启动”的指令，进入 EasyEDA Session。这个阶段从安装工具转向调用工具。
110 到 123 秒，AI 开始试水导入 STM32。画面里出现 STM32F103C8T6 元件，终端显示搜索元件、创建元件的流程。这里的关键是“元件库搜索”和“放到原理图”被封装成了动作，而不是让人手动在库里搜、选、放。
124 到 143 秒，博主给出一句“画 STM32 最小系统板”，AI 放置晶振、去耦电容、LED、电阻等元件，字幕强调“16颗元件全部就位”。这就是视频最容易传播的核心承诺：一句话，把一个硬件入门经典任务变成可执行脚本。
144 到 171 秒，AI 继续自动连线并添加网络标识，围绕 +3V3、GND、OSC、SWD 这些基本网络组织电路。最后 172 到 195 秒展示成品：17 个元件、30 个网络、11 段连线，并提示后续还可以 ERC 检查、转 PCB。
这条视频并没有证明“AI 已经懂硬件设计”。它证明的是：当一个任务可以被拆成“查库、放置、命名、连线、检查”这些动作，AI 就可以先成为一个会操作软件的初级执行员。工程师的角色暂时不是消失，而是从鼠标手变成验收者、约束者和流程设计者。
【1】开头钩子：结果先行，比讲原理更强
这条视频的开头钩子是典型的“结果冲击 + 反常识效率”。
具体文案是“9分钟，AI帮你画完一整张原理图”。画面同时给出 EasyEDA 原理图和 VS Code 终端统计，让观众在第一秒就看到结果，而不是先听概念解释。
它的底层逻辑有三层。
第一，目标物足够具体。不是“AI 提升硬件设计效率”这种泛泛说法，而是“STM32 最小系统板原理图”。懂嵌入式的人一听就知道这是一个入门但完整的任务，不懂的人也能感受到它比普通聊天更硬。
第二，时间数字足够压缩。“9分钟”天然带有挑战感。硬件工程师会本能地想判断真假：九分钟能装插件、接服务、放元件、连线？普通 AI 用户会想看 AI 怎么从聊天框跑进专业软件。两个受众都会被拉住。
第三，画面给了验证感。开头不是一个口号页，也不是博主对着镜头吹，而是把软件界面、终端日志、元件数量同时摆出来。技术类短视频最怕“听起来很厉害但没有证据”，这条的第一屏就用界面证据降低了怀疑成本。
钩子评分可以给四星半。它非常适合 AI 工具圈、硬件圈和创客圈传播。差的半星在于它没有立刻说明“成品仍需人工校验”，容易让一部分专业观众带着挑错心态进入。但从抖音完播逻辑看，这种争议本身也会提高停留。
可复制的开头公式是：
“我让 AI 在【专业软件】里，用【一句自然语言】，完成了【过去需要专业操作的具体任务】。”
例如：我让 AI 在 CAD 里画完一套户型初稿；我让 AI 在 Figma 里搭完一个后台页面；我让 AI 在剪辑软件里按脚本剪出第一版短片。重点不是“AI 很强”，而是“AI 进入了一个原本需要人手操作的软件现场”。
【2】人设 & 声音：不是老师口吻，是工程试玩口吻
博主的人设不是传统教程老师，而是“AI 硬件工具链实验者”。他的表达不是完整课堂式讲解，而是边试边看、边连接边评价。音频里有不少口语碎片，比如“来装一下，看看有什么”“现在已经显示已连接了”“看看能不能画出来”“画完了画得其实挺乱的”“也可以教它，让它画得更好一点”。这些话不精致，但可信。
这类人设的优势在于，它不像培训课那样一上来就承诺“学会你也能怎样”，而像一个懂技术的人把新玩具接起来给你看。观众不是被教育，而是被带到现场围观。
声音风格可以概括为三点。
第一，低包装。没有大段宏大叙事，也没有夸张鸡血。画面承担主要信息，口播只做轻提示。这让视频更像真实测试，而不是广告。
第二，敢承认缺陷。结尾说画得乱、看着别扭，反而提高了可信度。如果博主硬说“这已经完全替代工程师”，专业观众会迅速反感。承认现阶段不完美，才把讨论从真假拉回“怎么继续优化”。
第三，受众精准。它不是给完全零基础小白看的，而是给三类人看的：懂一点 STM32 和 EDA 的硬件人，正在研究 Claude Code/Skill 的 AI 工具玩家，以及想把专业软件接进 AI 工作流的自动化爱好者。视频没有解释 STM32 最小系统板是什么，也没有解释 EasyEDA 是什么，说明它默认观众有一点基础。
这种声音值得我们学的不是语气，而是姿态：做 AI 演示时，不一定要扮演全知专家。很多时候，“我把流程真跑了一遍，哪里通了、哪里别扭、哪里还要继续教它”比“我总结了十大趋势”更有穿透力。
【3】信息密度 & 节奏：用步骤字幕解决屏录视频的理解负担
屏幕录制类视频最大的问题是观众看不清、跟不上、分不出重点。这个视频的解决办法是用编号字幕把技术流程切成九段：安装 EasyEDA Skill、装桥接插件、启动 Bridge 服务、让 Skill 自我介绍、导入 STM32、一句话画最小系统板、元件就位、自动连线、成品展示。
这套节奏很实用。每 5 到 20 秒给一个明确阶段，观众即使看不清终端日志，也能通过字幕知道当前在完成哪一步。技术细节由画面提供真实性，理解路径由字幕提供。
它的信息密度偏高，但不是口播高密度，而是界面高密度。终端日志、插件页面、原理图变化、字幕标签同时出现。对专业观众来说，这种密度是爽点；对外行来说，可能会觉得信息太快，但仍能抓住“AI 自动操作软件”的主线。
节奏上，它用了一个很典型的“连接 - 能力 - 结果”三段式。
第一段是连接。安装 skill、安装插件、启动服务。这里解决“AI 怎么进软件”的问题。
第二段是能力试探。让 skill 自我介绍，导入 STM32。这里解决“它会不会真的调用元件库”的问题。
第三段是任务执行。画最小系统板、放置元件、连线、展示成品。这里解决“它能不能完成一个完整小任务”的问题。
最关键的是，视频没有把时间花在解释“为什么要这么配置”，而是一路展示“配置后发生了什么”。这符合短视频里的技术传播规律：先让观众看到因果链，再决定要不要去学原理。反过来，如果先讲协议、API、插件架构，完播会掉得很快。
这对我们做内容也有启发：技术类短视频不是不能深，而是要把深度藏在可见动作里。观众先看见动作闭环，文章或后续教程再补原理闭环。
【4】讲解结构：不是教程，是一次最小可行演示
这条视频采用的是“结果预告 - 环境接通 - 能力试跑 - 一句话任务 - 成品评价”的结构。
它不是严格教程。因为观众看完未必能完整复现每个安装命令、插件版本和参数，也看不到完整提示词细节。它更像 MVP demo：证明这条链路跑通了，证明 AI 可以通过 skill 和 bridge 操作 EDA。
这个结构很适合新工具传播。原因是早期工具最需要解决的不是“所有人都会用”，而是“大家相信这件事已经可以跑”。先用短视频建立可行性，再用长文、直播、课程或开源仓库承接复现需求。
每段承担的角色也很清楚。
开头成品，负责制造冲击。
安装 skill，负责解释 AI 侧能力从哪里来。
安装 EasyEDA 插件，负责解释软件侧入口从哪里来。
启动 Bridge，负责解释两边如何握手。
能力自检，负责建立工具不是瞎连，而是知道自己能做什么。
导入 STM32，负责用一个小动作验证调用链。
一句话画板，负责把小动作升级成完整任务。
成品评价，负责把神奇感拉回真实工程状态。
最有说服力的不是某一句口播，而是画面里“自动搜元件库 -> 放到原理图 -> 自动连线+网络标识”的连续因果。AI 工具演示最强的说服力永远不是形容词，而是可见状态变化。你说“提升效率”没有用，观众看见元件真的出现、网络名真的挂上、终端真的返回统计，才会相信。
不过，这个结构也留下一个风险：它对“正确性验证”的展示还不够。对硬件设计来说，原理图生成只是第一关，后面还有 ERC、封装匹配、BOM、可采购性、PCB 布局、信号完整性、电源设计、可制造性。视频最后提到后续优化，但没有展开。如果我们做更长的深扒或教程，就应该主动补上“AI 画完之后，人应该检查什么”，否则容易把工具演示误读成工程交付。
【5】金句 & 记忆点：一句话的背后，是专业软件被接管
这条视频最容易传播的句子有三类。
第一类是结果句：“9分钟，AI帮你画完一整张原理图。”
第二类是指令句：“画一块 STM32 最小系统板。”
第三类是评价句：“画得其实挺乱的，但可以教它，让它画得更好一点。”
前两句负责传播，第三句负责可信。
画面记忆点也很明显：左边 EasyEDA 原理图，右边 VS Code/Claude 终端；一边是硬件设计软件，一边是 AI 执行日志。这种左右并置很重要，它把“AI 思考”和“工具执行”放在同一屏里，让观众看到两种世界正在连接。
如果把这条视频提炼成可复用金句模板，可以写成：
“AI 真正开始改变【行业】，不是它能聊懂【专业名词】，而是它能进入【专业工具】，完成【可验证动作】。”
套到我们自己的事情上也成立：AI 真正改变内容运营，不是它能写标题，而是它能进入选题库、素材库、发布系统、数据看板，完成选题生成、文章初稿、封面建议、分发记录和复盘归档。AI 真正改变教研，不是它懂课程名词，而是它能进入题库、学情表、讲义模板和作业反馈，完成诊断、改题、分层练习和讲评稿。
这个判断比“AI 会替代谁”更有用。替代是结果，接管工具动作才是过程。
【6】收尾 & CTA：没有强 CTA，反而留下继续追更的口子
视频结尾没有明显的点赞关注私信 CTA。它更像自然收尾：展示成品，承认当前画得乱，期待后面慢慢进步。
这种收尾不是强转化型，而是连续剧型。它没有逼观众立刻行动，而是让观众产生两个问题：第一，这个工具链到底怎么装？第二，后面能不能把图画得更好？这两个问题都会导向评论、收藏和关注。
对技术类账号来说，这种 CTA 很合适。因为硬要喊“想要教程评论 1”，反而会降低专业感。更好的方式是用未完成状态制造下一集理由：这次跑通最小系统板，下一次可以做 ERC 检查；这次原理图比较乱，下一次可以让 AI 按规则重排；这次只画原理图，下一次可以尝试转 PCB；这次用 STM32，下一次可以换 ESP32 或电源模块。
这就是技术内容的沉锚设计：不要只问观众“你想不想要”，而是把一个真实问题留在台面上，让懂的人自然想参与优化。
如果我们复刻这个收尾，可以这样做：
“第一版已经能跑，但还不能盲信。下一步我会重点看三个问题：它能不能过检查、能不能按规则重排、能不能把封装和 BOM 对齐。真正有价值的不是一次画完，而是能不能被持续训练成稳定流程。”
这样的 CTA 比简单要赞更好，因为它把下一步任务讲清楚了。
【7】可复制文案骨架
这条视频的可复制骨架如下：
[开头钩子句 - 类型: 结果冲击 + 反常识效率]
我让 AI 在【专业软件】里，用一句【自然语言指令】，完成了【过去需要专业操作的具体任务】。
[核心信息 - 分 4 个点]
1. 先把 AI 侧能力接上：【安装 skill / 配置工具包 / 加载插件】。
2. 再把软件侧入口打开：【安装桥接插件 / 启动服务 / 客户端连接成功】。
3. 用一个小动作验链路：【搜索素材 / 导入元件 / 创建对象 / 修改参数】。
4. 再给完整任务：【一句话生成初版 / 批量操作 / 自动命名 / 自动检查】。
[转折/高潮句]
重点不是它第一次做得多完美，而是它已经能从“告诉你怎么做”，变成“在软件里替你做第一版”。
[收尾 + CTA]
第一版还有明显问题，下一步要继续教它规则、加检查、做复盘。你觉得这个流程最该先接进哪个专业软件？适用场景：AI 操作专业软件、自动化工作流、垂直工具链演示、Agent 控制桌面或 SaaS 的案例。
最适合博主类型：技术实验者、工具链开发者、垂直行业自动化顾问、AI 工作流培训者。
预估完播率：中高。原因是开头结果强、过程有可见状态变化、结尾有未完成悬念；但如果观众完全不懂被操作的软件，中段会有理解门槛。
四个角度的反思
对我们做的事：不要只学“AI 画板子”，要学“把工具接成闭环”
这条视频对我们最直接的提醒是：AI 工作流的壁垒不在一句提示词，而在“入口、动作、反馈、验收”的闭环。
如果一个流程只有提示词，它就是一次性对话；如果它能打开工具、调用脚本、读取结果、继续修正，它才是工作流。我们自己做内容、知识库、博客发布、自动学习，也应该一直追这个方向：不是让 AI 给建议，而是让 AI 接到具体工具里完成可验证动作。
比如深扒视频这件事，真正稳定的链路不是“看完视频写感想”，而是下载视频、转写音频、视觉理解、双轨合并、结构化拆解、发布博客、落判断卡、写回执。每一步都有输入输出，才能长期跑。这个视频里的 EasyEDA Skill 也是同一个思想，只是领域换成硬件设计。
所以我们要迁移的不是硬件知识，而是流程形态：凡是重复发生、边界清晰、结果可检查的专业操作，都可以尝试从“人手操作”改造成“AI 调工具 + 人验收”。
对橙子自己的能力：要从分析者升级成流程设计者
橙子不能只会看完视频总结“这很厉害”。真正应该沉淀的是判断：这个案例跑通了哪一层？还缺哪一层？可迁移到哪一类任务？风险在哪里？
这条视频跑通的是工具控制层和初版生成层，尚未充分展示工程验收层。橙子做深扒时，就不能只夸“AI 会画原理图”，而要指出它的边界：能放元件不等于懂电气约束，能连网络不等于能保证可制造，能生成初版不等于能承担责任。
这也是橙子自己能力升级的方向：每看到一个 AI 案例，都要把它拆成五层：演示层、工具层、数据层、验证层、商业层。只停在演示层，就会被新鲜感带着跑；能拆到验证层和商业层，才有判断价值。
对老大机构业务：真正可卖的是“行业流程自动化”，不是“AI 新鲜演示”
对机构业务来说，这条视频给了一个很好的产品化方向：不要把 AI 课包装成“教你使用某个模型”，而要包装成“把你所在行业的高频流程接进 AI”。
硬件行业可以是 EDA 初版、BOM、封装检查；教育行业可以是讲义生成、题目改编、学情诊断；电商行业可以是选品表、详情页、客服知识库、投放素材；内容行业可以是选题、拆解、成稿、分发、复盘。
学员真正愿意付费的不是“Claude 很强”这种结论，而是“我手里这件重复活能不能少花两小时，并且结果可检查”。这条视频的商业启发是：课程和服务应该围绕具体软件、具体岗位、具体动作来设计，而不是围绕模型名设计。
老大机构如果要做类似内容，可以用“AI 接管一个真实软件流程”作为系列选题。每一期不追求宏大，只追求跑通一个小闭环：AI 接 Excel 做招生数据清洗，AI 接飞书表格做线索分层，AI 接剪映或 CapCut 做粗剪，AI 接知识库做课程问答，AI 接图表工具做学情报告。每个小闭环都比泛泛讲趋势更有销售力。
对未来发展：Agent 的下一站，是进入专业软件的操作面
这条视频指向的未来不是“所有人都不需要专业能力”，而是“专业能力会越来越多地表现为规则、约束和验收标准”。
当 AI 能操作工具，入门级执行会被压缩。以前一个新人需要花很多时间熟悉界面、找菜单、重复放置对象；以后 AI 可以先做第一版。人的价值会转向三个位置：定义目标，提供规则，验收结果。
这会改变很多行业培训的内容。过去教软件，重点是按钮在哪里、命令怎么点；以后教软件，重点会变成如何把任务拆成可调用动作，如何给 AI 约束，如何检查 AI 产物。会用工具不够，会把工具变成可编排接口，才更有壁垒。
但未来也不会是完全自动。越接近真实工程，责任越不能丢给模型。硬件板子画错，可能烧芯片；财务表算错，可能影响决策；医疗建议错，可能带来风险。所以 AI 进入专业软件后，最重要的不是让人放弃判断，而是让判断前移成规则、后移成验收，中间的重复执行交给机器。
三条可迁移判断
第一，判断一个 AI 工具案例有没有价值，不看它说得多漂亮，看它有没有进入真实工具并产生可验证状态变化。聊天框里的建议价值有限，软件界面里的对象创建、参数修改、文件生成、检查通过，才是生产力证据。
第二，早期 AI 自动化不要从“完整替代专家”切入，要从“生成第一版 + 人工验收”切入。STM32 最小系统板这个案例的价值就在于边界足够小，结果可见，缺陷也能被继续修正。越是高风险专业领域，越应该先让 AI 做草稿、批量操作和预检查。
第三，可复制的工作流一定有桥接层。模型本身不会凭空操作 EasyEDA，它需要 skill、插件、Bridge 服务、API Gateway 这些连接件。迁移到任何业务都一样：先找软件有没有 API、插件、脚本、导入导出能力，再谈 Agent 自动化。没有入口的流程，只能做建议；有入口的流程，才可能做执行。
第四，内容传播上要先展示闭环，再讲原理。观众先看到“AI 真的生成了原理图”，才会愿意听 skill、bridge、插件、元件库。我们做任何 AI 案例，都应该先把“前后状态变化”拍清楚，再把长文留给深扒和复现。
第五，承认不完美比强行神化更能赢得专业观众。视频结尾说画得乱，是一个很好的信任动作。AI 工具越垂直，越不能只报喜。把缺陷、边界和下一步优化说出来，反而更像真懂行。
最后判断
这条视频真正值得记住的，不是“AI 9 分钟画了一块 STM32 板子”，而是“AI 开始通过 skill 和 bridge 进入专业工具的操作面”。
它现在画得不够好，没有关系。第一版原理图的工程质量不是核心结论。核心结论是：一旦某个专业软件被打开接口，AI 就可以在里面执行动作；一旦动作可以被记录和反馈，人就可以继续给规则、加检查、做迭代。
这也是我们判断未来 AI 应用的一个关键坐标：谁掌握专业软件的操作入口，谁掌握流程里的验收规则，谁就更接近真正的行业自动化。模型会越来越强，但最后能不能落地，还是要看它有没有手、有没有眼、有没有检查表。
这个视频给硬件圈的启发是：EDA 自动化刚开始，别急着把它当成成熟工程师。给 AI 规则，让它先做第一版，再用专业标准验收。
它给我们做 AI 工作流的启发更直接：别停在会问模型，去把模型接进工具；别停在演示神奇，去设计可复用闭环；别只收藏案例，去沉淀判断和步骤。真正有复利的不是某次 AI 炫技，而是一条能被反复调用、不断校正、越跑越稳的工作流。