用AI做了一套电子元件管理全流程：从BOM对比到PCB分析到自动采购#

问题#

我手上有两份 BOM：

• v2 版本（之前的采购清单）
• 新版本（从厂商拿到的最新数据）

两份 BOM 都是 Excel 格式，加起来几百行，人眼对比基本不可能。

AI 做了什么#

用 Python（openpyxl 库）写了一个自动对比脚本：

1
# 核心逻辑：按元件型号 + 位号做联合 key，对比两份 BOM 的差异
2
# 输出：新增元件、删除元件、参数变更、数量变更

AI 不只是帮我写了这个脚本——它还帮我发现了 v2 版本中一个被遗漏的关键芯片（DRV8701E），这个芯片在采购清单里存在但没被正确归类。

最终输出：统一采购清单 v3，含完整的差异对比报告和验证脚本。

教训#

BOM 对比这类工作，AI 的优势不是”比你快”，而是不会遗漏。几百行 Excel 逐行对比，人总会走神；机器不会。

问题#

逐飞科技提供的原理图是 PDF 格式（无刷驱动-STC-无感-Lite3S_原理图_V2.0.2.0.pdf），4 页完整原理图。我需要从中提取全部元件清单——位号、型号、参数、封装。

挑战：CID 编码的中文 PDF#

这是整个流程中最坑的一步。

我先尝试用 PyMuPDF（fitz）提取 PDF 中的文本。代码本身很简单：

1
import fitz
2
doc = fitz.open(pdf_path)
3
for page in doc:
4
    text = page.get_text('text')
5
    print(text)

结果输出了一堆乱码。原因是这个 PDF 使用了 CID/Identity-H 编码的中文字体，直接文本提取会丢失编码映射。

我尝试了 latin-1→GBK、latin-1→UTF-8 等多种编码修复方案，全部失败。

解决方案：两步法#

最终我用了**“PDF 渲染 + AI 视觉分析”的两步法**：

Step 1：用 PyMuPDF 把每页原理图渲染成高清 PNG

1
mat = fitz.Matrix(3.0, 3.0)  # 3x 放大 ≈ 216 DPI
2
pix = page.get_pixmap(matrix=mat)
3
pix.save(f'page_{i+1}.png')

Step 2：把 PNG 丢给 AI 视觉模型（image-reader MCP），用精确提示词引导分析

1
"这是无刷电机驱动板的原理图第 1 页（电源模块）。
2
 请识别所有电子元件：位号（如 R1, C1, U1）、
3
 型号、参数值、封装类型。"

元件审计结果#

4 页原理图逐页分析后，我提取出了 76 个元件的完整 BOM：

关键发现#

AI 在分析过程中发现了两个我自己没注意到的问题：

1. R20-R22 标有 NC（不贴装）标记——这三颗下拉电阻是 V2.0.2 版本新增的预留位，实际不焊接。如果没发现这个，采购就多了三颗没用的料。
2. U3（MCU）在 PCB 背面——原理图上没有体现元件的物理位置，但 AI 视觉分析通过位号图发现了这个。这对后续焊接和调试有实际意义。

问题#

采购清单里有三个候选的肖特基二极管：

• 1N5819WS（深圳合泰电子）
• B5819WS（珠海宏建诚科技）
• 1N5819HW1-7-F（Diodes Incorporated）

看起来是同规格的替代品，但性能差异到底有多大？需要逐项对比。

AI 做了什么#

把三份规格书的 PDF 分别丢给 AI，让它做结构化对比。输出直接是一个完整的参数对比表：

结论：1N5819HW1（SBR 技术）在每一项参数上都碾压传统肖特基方案，特别是正向压降低了近一半（0.36V vs 0.60V）和漏电流低了一个数量级（0.05mA vs 0.5mA）。

但有一个坑：封装不兼容。1N5819HW1 是 SOD123F 封装，比另外两颗的 SOD-323 大一圈，PCB 焊盘需要修改。

教训#

规格书对比是 AI 最擅长的工作之一——结构化数据、固定格式、需要精确数值比较。人做这件事容易”差不多就行”，AI 会把每一个参数都对齐了给你看。

问题#

我需要确认原理图中 76 个元件在 PCB 上的实际布局——哪些在正面、哪些在背面、散热设计是否合理。

挑战：超大图片处理#

PCB 位号图是 7017×4962 的 PNG 文件。直接丢给 AI？API 有时会因为 base64 数据量太大而响应失败。

经过多次尝试，我找到了”甜点分辨率”：

最终方案：位号图用 50% 缩放，丝印图尽量用 75%。

分析结果#

AI 输出了一个完整的双面布局报告：

1
Top 面（信号层）:
2
├─ 预驱 IC (U1 FD6288Q)
3
├─ LDO (U2 SE8650)
4
├─ BEMF 电阻网络 (R14-R22)
5
├─ 栅极驱动电阻 (R2-R7)
6
├─ 二极管/LED
7
└─ PWM 输入接口 (P1)
8

9
Bottom 面（功率层）:
10
├─ MCU (U3 AI8051U)
11
├─ 6× MOSFET (Q1-Q6)
12
├─ 20× 滤波电容 (C1-C20)
13
├─ 电池分压 (R10/R11)
14
└─ 调试串口 (P2)

这个布局设计很聪明——功率回路在背面，滤波电容紧贴 MOSFET，回路极短；信号电路在正面，远离大电流干扰。

双重验证#

最关键的一点：我把原理图 BOM 和 PCB 位号图的分析结果做了交叉验证。76 个元件中，72 个完全一致，4 个需要补充确认（如 U2 封装太小难识别、C29 位置未确认）。

这就是 AI 辅助硬件分析的核心价值：不是替代工程师，而是帮你做”第一遍全面扫描”，你再做”精确确认”。

问题#

整理完所有元件后，发现采购清单里大量元件缺少淘宝/立创商城的购买链接。手动查找 76 个元件的链接？又是半天。

AI 做了什么#

写了两个脚本：

1. fix_links.py — 根据元件型号自动搜索匹配的采购链接
2. fix_all_links.py — 综合修复脚本，同时处理链接缺失、格式错误、URL 过期等问题

1. AI 视觉分析的提示词要具体#

1
❌ "分析这张 PCB"
2
✅ "这是无刷电机驱动板的正面位号图。已知使用 6 颗 TPN2R703NL MOSFET。
3
    请列出图片中能看到的所有元件位号，特别是 Q1-Q6、C1-C20。"

越具体的提示词，AI 输出越可靠。给它已知信息（板类型、核心芯片、预期元件），减少它的猜测空间。

2. 永远做交叉验证#

AI 视觉分析可能误判位号（特别是低分辨率下 U1/U3 混淆），文本提取可能遗漏图形元件。两个来源的结果交叉比对，才能得到可靠结论。

3. 大图片处理是瓶颈#

分辨率太高 → API 超时；分辨率太低 → 识别不准。我的经验是：位号图 50%，丝印图 75%。如果 50% 仍然太大，先裁剪成区域再分析。

4. CID 编码是中文 PDF 的常见坑#

遇到中文 PDF 文本提取乱码，不要在编码修复上死磕。直接渲染成图片，用 AI 视觉识别，效率更高，准确率也不低。

5. 从”一次性”到”系统化”#

如果你发现自己在重复做同一件事（比如每次采购都要对比 BOM），就该把它系统化。三层架构不是为了炫技，是为了下次采购时一键搞定。