电路图智能审查教程：多模态大模型辅助排查设计错误

一、教程目标

本教程帮助读者搭建一套辅助审查电路图的流程。完成后，你可以把原理图导出的图片交给多模态大模型，获得一份按模块整理的疑点清单，覆盖电源、接地、去耦、信号连接和器件参数等方面。

需要明确的是，模型输出是审查线索，不是签核结论。它能快速发现明显的连接错误和遗漏，但对复杂时序、射频特性和热设计等问题的判断能力有限，最终结论仍需工程师确认。

二、适用读者

• 硬件工程师和电路设计人员：希望在正式评审前做一轮快速自查。
• 嵌入式和自动化开发者：需要理解硬件设计意图，便于与硬件团队对接接口。
• 技术负责人和研发管理者：评估是否引入此类预检流程，以及相关的数据和成本风险。
• 电子专业学生和初学者：通过模型的反馈理解常见的电路错误模式。

三、适用场景

场景一：设计初稿阶段。 原理图刚完成时，快速排查反接、漏接和网络标号拼写错误等低级问题，减少返工。

场景二：正式评审前的预检。 在评审会议前完成一轮自查，让会议聚焦于架构和取舍问题，而不是逐条纠正连接错误。

场景三：版本变更对比。 对改版前后的同一模块分别做审查，检查修改是否引入了新问题。

不适用场景。 医疗、车规、工业安全和功率电源等高可靠性设计，签核必须依靠标准化的电气规则检查、仿真和正式评审。模型辅助审查只能作为补充。

四、前置准备

1. 图纸素材。 导出清晰的原理图，文字和器件编号要能被肉眼清楚读出。图纸按功能模块分页，每页器件数量适中。
2. 结构化补充信息。 准备器件清单（BOM 片段）、关键器件的额定参数、电源树描述和模块接口说明。这些信息能弥补图片中看不出来的内容，例如某个网络来自哪个上游模块。
3. 接口凭据。 具备调用多模态模型接口的权限。凭据通过环境变量或密钥管理服务注入，不写入代码仓库。
4. 数据合规确认。 图纸可能涉及保密信息或出口管制。上传到外部服务前，必须经过所在组织的审批。如果不允许外传，应选择本地或私有化部署的模型。
5. 基础知识。 熟悉基本电路原理，能判断模型输出是否正确。这是复核环节的前提。
6. 运行环境。 一台可运行脚本的开发机，安装 HTTP 客户端和 JSON 解析相关的库。

五、实施步骤

步骤一：定义审查范围和检查清单

做什么： 列出本次要检查的错误类型，写成结构化的清单。

为什么： 面对开放式问题，模型容易给出泛泛的建议。清单能让输出聚焦，也便于后续统计哪类问题检出率高。

示例清单：

• 电源：稳压器输入输出电容是否齐全，电源正负极是否接反，地线是否与电源地连通。
• 去耦：每个数字芯片的电源引脚附近是否有去耦电容。
• 引脚：未使用的输入引脚是否悬空，输出引脚是否存在多个驱动源冲突。
• 器件参数：上拉电阻阻值、电容耐压是否与系统电压匹配。
• 连接：网络标号是否拼写一致，差分信号是否成对出现。

注意： 清单越具体越好，但项目数量不宜过多。一次提示中包含太多检查项，模型容易遗漏其中一部分。

步骤二：图纸切分与预处理

做什么： 把整张原理图按功能拆成若干模块，例如电源、主控、通信接口、传感器和外设。每个模块单独导出一张图，并附上本模块涉及的器件编号。

为什么： 整图分辨率过高时，小字符难以识别，模型也容易漏掉局部连接。分块后每次输入的信息量可控，结果也更容易定位。

注意： 模块之间的连接需要在描述中说明。例如，”VCC_3V3 来自电源模块的稳压输出”。如果不写明来源，模型可能把这个网络误判为悬空。

步骤三：设计结构化提示词

做什么： 提示词包含四部分：角色与任务、输入说明、检查清单和输出格式。

为什么： 角色和任务限定了模型的思考方向。输出格式统一后，程序才能解析结果，否则后续的汇总和统计无法进行。

提示词模板（通用示例）：

你是一名有经验的硬件设计评审工程师。
任务：审查下面提供的电路模块图片，找出可能存在的设计错误。
输入：
- 图片：{模块名}，共 {页数} 页
- 器件清单：{BOM 片段}
- 模块接口说明：{输入输出网络及其来源模块}
检查清单：
1. {检查项一}
2. {检查项二}
...
输出要求：
- 只输出 JSON 数组，不输出其他文字。
- 每一项包含字段：location（页码与器件编号）、category（问题类别）、
  severity（high / medium / low）、evidence（图纸中可见的依据）、suggestion（修改建议）。
- 无法从图纸确定的内容，severity 填 low，并在 evidence 中写明"需人工确认"。
- 不要臆造图纸中不存在的器件或网络名称。

注意： 要求模型”无法确定时标注待确认”，能显著减少它把猜测当成结论的情况。

步骤四：调用模型并保存原始响应

做什么： 编写脚本，按模块逐个发送请求，并保存每次的原始响应。

为什么： 保存原始响应便于审计、复现和排查。当解析出错时，可以直接对照原文判断问题出在哪里。

代码示例（通用伪代码）：

```python
import base64
import json
import os
import time

def load_image_as_base64(path):
with open(path, “rb”) as f:
return base64.b64encode(f.read()).decode(“utf-8”)

def review_block(image_path, block_name, prompt_text, retries=3):
payload = {
“model”: os.environ[“REVIEW_MODEL_NAME”],
“temperature”: 0, # 降低随机性，便于复现
“messages”: [
{“role”: “user”, “content”: [
{“type”: “text”, “text”: prompt_text},
{“type”: “image”, “data”: load_image_as_base64(image_path)},
]},
],
}
for attempt in range(retries):
try:
raw = call_model_api(payload, api_key=os.environ[“REVIEW_API_KEY”], timeout=120)
save_raw_response(block_name, raw) # 保存