这8篇文章分别使用不同的结构：Measurement Evidence Stack、Signal-to-Scope Chain、Rare Event Capture Funnel、Spectrum Verification Flow、Cross-domain Correlation、Ripple Trust Checklist、Safe Test Automation Gate、AI Waveform Review Loop。文中出现的频率、采样率、次数与数量均为情景示意。
AI示波器 2026年9月4日 结构：Measurement Evidence Stack
AI已经能一眼看懂示波器截图以后，为什么龙虎斗示波器仍然不能只凭一张PNG就告诉工程师“这个电路哪里坏了”？
示波器屏幕上那段边沿后面挂着一串振铃，截图发给AI，AI说“存在明显Ring，怀疑阻抗不匹配或走线过长”。这句话听起来专业，但它回答的是“图上有什么”，不是“电路里有什么”。同一段振铃，可能来自DUT本身，可能来自探头那根十几厘米的Ground Lead，可能来自Bandwidth Limit被关掉后进来的仪器噪声，也可能来自Probe Compensation没调好。截图里没有这些信息，AI就只能在一堆等概率的解释里挑一个说得最像的。
龙虎斗示波器讨论的第一件事，就是把“波形图”和“波形是怎么测出来的”分开。一张PNG是Measurement Evidence Stack最上面一层的可视化，下面还有Physical Signal、Probe、Instrument Setting、Raw Waveform、Measurement这几层。Timebase决定你看到的是一个周期还是一百个周期；Vertical Scale决定50mV的信号是撑满屏幕还是压成一条线，有效Vertical Resolution随之天差地别；Sample Rate决定边沿上有几个点，点太少时Rise Time其实是内插算法算出来的；Bandwidth决定哪些高频成分根本没进来；Trigger决定你看到的是哪一次采集，而不是最坏的那一次。这些参数任何一个不同，同一电路会给出完全不同的截图。
所以AI波形分析要优先读Raw Waveform，也就是Time、Voltage、Channel的数字序列，并且和Metadata一起读。截图只能作为辅助，用来理解大概的波形形状、屏幕上的测量数值和仪器UI状态，它可能缺失完整数据、Sample Rate、Probe信息、Record Length，也看不到被Dead Time吃掉的Hidden Event。缺失的项，正确的做法是显示Measurement Context Incomplete并降低置信度，而不是让AI自己补一个看起来合理的数字。波形图只是测量结果的可视化，真正的电子诊断必须知道这条波形是怎样被测出来的。这也是龙虎斗波形分析和龙虎斗大模型在架构上坚持的原则。
Measurement Evidence Stack：截图只是Raw Waveform那一层的图片，缺少Probe与Instrument Setting时AI无法判断它是否可信。 展开完整正文
一、截图能告诉AI什么，不能告诉AI什么
截图能传递的信息其实不少：波形的大致形状、屏幕上叠加的自动测量结果、通道颜色、触发标记的位置、仪器的菜单状态。对一个熟悉示波器界面的模型，它甚至能读出屏幕角落的时基和垂直刻度文字。问题在于这些文字是否完整、是否被遮挡、是否是当前采集的设置，AI无法验证。更关键的是，截图里根本不会出现的东西：探头是10:1还是1:1，探头带宽是多少，Ground Lead有多长，Bandwidth Limit是否打开，Sample Rate是多少，Record Length覆盖了多长时间，采集模式是普通采样、峰值检测还是平均。这些正是决定“这条波形能不能信”的变量。
二、同一段Ring的四种来源
以最常见的边沿振铃为例。第一种来源是DUT真实存在的阻抗不连续，这是工程师希望AI找到的那种问题。第二种来源是探头接地回路：长地线与探头输入电容形成谐振，几十到几百MHz的振铃会凭空出现，换成短接地弹簧后立刻消失。第三种来源是测量带宽：全带宽打开时仪器本底噪声和高频拾取都进入波形，让边沿看起来毛刺很多；打开Bandwidth Limit后边沿变干净，但真实的快速瞬态也会被抹掉。第四种来源是Probe Compensation：无源探头补偿不当会让方波顶部出现Overshoot或变圆，这与电路无关。四种来源在一张PNG上的形状可能非常接近，AI只凭截图给出的“怀疑阻抗不匹配”，命中率取决于运气。
三、Measurement Evidence Stack的每一层在做什么
龙虎斗示波器把测量过程拆成七层。第一层Physical Signal是电路里真正存在的电压。第二层Probe决定信号以怎样的衰减、带宽和负载进入仪器，同时也可能改变被测节点本身，尤其是高阻抗、高速节点。第三层Instrument Setting包括Bandwidth Limit、Sample Rate、Record Length、Vertical Scale、Coupling、Termination和Trigger。第四层Raw Waveform是采集得到的时间-电压序列，它必须与前三层的Metadata绑定保存，否则以后没有人能重新理解它。第五层Measurement是由确定性算法算出的Rise Time、RMS、Frequency等数值。第六层AI Interpretation是解释、假设与异常候选。第七层Engineer Review是验证与决策。截图相当于第四层的一张图片，且丢掉了第二、三层的信息。
四、为什么AI要先读Raw Data
读Raw Waveform不只是为了精度。Raw Data允许AI调用Measurement Engine重新计算，而不是相信屏幕上那个可能来自错误光标位置的数字；允许AI做Alignment，把两次采集按触发点对齐后再比较形状；允许AI做FFT去看振铃频率，从而判断它更像地线谐振还是走线反射；允许AI检查是否存在Clipping，即波形顶部被输入范围切平——截图上一条平顶线可能被误读为真实限幅。Raw Data加Metadata，AI才有资格说“这条振铃的频率与探头地线谐振区间一致，建议先换接地方式复测”。
五、Metadata缺失时AI应该怎么说
龙虎斗大模型的一条硬规则是：Metadata缺失必须显示，不能补。Probe未知，就显示Probe未知；Sample Rate未知，就显示Sample Rate未知；Bandwidth Limit状态未知，就把与边沿速度相关的所有解释的置信度降到Needs Review。这样做看起来让AI变“笨”了，但它避免了最危险的情况：AI用一个自信的、听起来专业的结论，把工程师带去修改一块其实没有问题的PCB。
六、截图AI的正确用法
截图并非无用。它适合做三件事：快速判断“大概是什么类型的波形”，为后续读取Raw Data选择合适的分析路径；读取屏幕上的仪器状态文字作为Metadata的一个来源，但需要标注“来自截图OCR，未经仪器确认”；在没有Raw Data的历史资料里做粗筛，例如从几百张旧截图中找出可能存在Overshoot的那些，再去找对应的原始文件。用截图做粗筛，用Raw Data做诊断，用Metadata定置信度，这是龙虎斗官网对“AI看波形”的完整定义。
七、给工程师的检查顺序
收到AI基于截图的判断后，建议按这个顺序核对：确认探头类型与衰减比是否与仪器设置一致；确认Ground Lead长度与接地方式；确认Bandwidth Limit状态；确认Sample Rate相对于边沿速度是否充足；确认是否存在Clipping；再决定要不要相信AI对DUT的解释。先验证测量链，再诊断被测设备，这句话在文章1里第一次出现，在龙虎斗官网后面的每一篇里都会再出现。
示波器测量 2026年9月2日 结构：Signal-to-Scope Chain
被测信号只有200MHz以后，为什么一台标称带宽明显高于200MHz的示波器仍然可能把龙虎斗电子测试带进错误方向？
项目组里最常见的一句话是“时钟才200MHz，我们这台示波器带宽比它高不少，够用”。这句话把两个不同的东西混在一起了：时钟的重复频率，和边沿里包含的频率成分。一个200MHz的数字时钟（本文数值均为情景示意），如果边沿只有几百皮秒，那么它的能量分布远远超过200MHz，三次、五次谐波和边沿本身携带的高频成分才是决定Rise Time、Overshoot和Ring能不能被看到的部分。示波器带宽不是“能看见多高频率的时钟”，而是“能可靠观察多快的信号成分”。
龙虎斗电子测试用Signal-to-Scope Chain来解释这件事：Signal Edge → Probe Bandwidth → Scope Bandwidth → Sample Rate → Record → Displayed Waveform。边沿信息在每一级都会被过滤一次。探头带宽经常低于示波器带宽，尤其是通用无源探头；探头与示波器串联以后的系统带宽比两者中的任何一个都低；接地方式和连接长度又在这之上叠加谐振；Sample Rate不足时，边沿上只落下两三个采样点，屏幕上那条平滑的边沿其实是内插算法画出来的，测出的Rise Time主要反映的是算法而不是电路。
结果就是：一台“带宽够高”的示波器，配一根普通探头、一根长地线、一个没有检查的采样率，测出来的Rise Time偏慢、Overshoot消失、Ring频率偏移。AI拿到这条波形会得出“边沿质量良好”的结论，而真实电路里的信号完整性问题被整条测量链一起藏起来了。龙虎斗示波器要求AI在解释Rise Time之前，先看到Probe Bandwidth、Scope Bandwidth、Sample Rate和Record Length四项Metadata；缺一项，就不对边沿速度下结论。高速数字测试真正需要测的是边沿包含的高频信息，不只是时钟旁边写着多少MHz。
Signal-to-Scope Chain：边沿信息在每一级都被过滤一次；数值均为示意。 展开完整正文
一、时钟频率与边沿速度是两个问题
数字信号的基本频率描述的是它多久重复一次，边沿速度描述的是它从低到高需要多久。两者没有必然关系：一个几MHz的低速总线信号，如果驱动器很强，它的边沿可以和几百MHz信号一样快。信号完整性问题——Overshoot、Undershoot、Ring、Crosstalk——几乎都由边沿速度决定，而不是由重复频率决定。所以问“示波器带宽够不够”时，正确的输入是边沿的Rise Time，而不是Clock Frequency。这也是为什么龙虎斗示波器页面把Rise Time列为AI必须先看的Metadata之一。
二、示波器带宽的含义
示波器标称带宽通常指前端幅频响应下降到某个程度的频率点。这意味着在带宽附近的信号成分已经被明显衰减，而不是“完全通过”。边沿里高于这个频率的成分被进一步压掉，于是Rise Time被拉长、Overshoot被磨平。工程上有各种经验法则把带宽和可测量的最快边沿联系起来，但这些法则的前提是知道边沿有多快，而这正是很多项目在选仪器时没有测过的数据。
三、探头带宽与系统带宽
Probe不是“连接示波器的一根线”。通用无源探头的带宽往往低于中高端示波器，探头与示波器串联后的系统带宽低于两者中的任何一个。更麻烦的是探头的连接方式：探头尖端的接地弹簧与十几厘米的鳄鱼夹地线，在高频下的表现完全不同，后者引入的电感与探头输入电容形成谐振，在边沿上叠加出并不存在于电路里的Ring。Probe Loading也会改变被测节点本身，尤其是高阻抗、高速节点，探头一接上去信号就变了。AI如果只看到示波器型号带宽这一项，而看不到探头型号、带宽和接地方式，它对边沿的任何判断都缺少前提。
四、Sample Rate在边沿上的表现
Sample Rate决定边沿上有多少个采样点。如果一个几百皮秒的边沿上只落下两三个点，那么屏幕上看到的平滑边沿其实是内插算法的产物，Rise Time测量值在很大程度上由内插方式决定。采样率不足还会带来Aliasing：高频成分被折叠成错误的低频形状，AI在不知道采样条件的情况下会认真分析一个根本不存在的波形。反过来，采样率也不是越高越好——高采样率配合有限的存储深度意味着Record Length覆盖的时间很短，这个问题会在文章3里展开。
五、Vertical Scale与Clipping
边沿测量还有一个经常被忽略的维度：垂直方向。如果为了看全波形把Vertical Scale设得很大，一个几百毫伏的Overshoot只占不到一格，有效Vertical Resolution很差，AI看到的Overshoot幅度主要是量化噪声。相反，如果为了看清边沿把Vertical Scale设得很小，波形顶部超出输入范围被切平，这是Clipping，AI不能把它当作真实的电路限幅。两种情况都会让“Overshoot是否超标”的判断失去意义。
六、Signal-to-Scope Chain作为AI的前置检查
龙虎斗电子测试把这条链变成AI分析边沿前的固定检查：第一，是否知道信号的预期边沿速度？第二，探头带宽与接地方式是否记录？第三，示波器带宽与Bandwidth Limit状态是否记录？第四，Sample Rate相对边沿速度是否充足？第五，Vertical Scale是否合理、是否存在Clipping？五项中任何一项未知，AI对Rise Time、Overshoot和Ring的解释都标记为Needs Review。这不是保守，而是防止AI用一条被测量链“美化”过的波形，宣布一块存在信号完整性问题的板子“边沿良好”。
七、工程师可以立刻做的事
在下一次高速信号测试前，用同一个测点做三次采集：长地线全带宽、短接地弹簧全带宽、短接地弹簧加Bandwidth Limit。把三条波形和各自的Metadata一起交给AI比较。AI的价值在这时才真正体现：它能指出三条波形的差异主要来自测量链哪一环，而不是把差异都算在电路头上。示波器标称带宽高于信号频率，只是测量正确的必要条件之一，远不是充分条件。
异常波形 2026年8月31日 结构：Rare Event Capture Funnel
一个错误每小时只出现一次以后，为什么把示波器采样率调到最高仍然可能连续几天都抓不到它？
系统每小时莫名复位一次，工程师把示波器采样率拉到最高，连续挂了三天，一次都没抓到。这不是运气问题，是算术问题。采样率最高意味着每个采样点之间的时间最短，但存储深度有限，一次Record可能只覆盖几毫秒；一次异常如果只持续10微秒、每小时出现一次，那么一次Record落在异常上的概率大约是几毫秒除以3600秒。示波器在两次采集之间还有Dead Time——处理、显示、重新武装触发的时间——Rare Glitch很可能恰好发生在没有采集的那段时间里。Waveform Capture Rate再高，也采不到没有采集的时刻。
龙虎斗波形分析用Rare Event Capture Funnel来重新排列这个问题的顺序：Long Observation → Trigger Strategy → Acquisition → Event Candidate → AI Cluster → Rare Pattern → Engineer Review。第一层不是“采多快”，而是“看多久”；第二层是Trigger，先定义异常特征——是Runt脉冲、脉宽超限、超时、还是协议错误——再用Pulse Width、Runt、Timeout等触发条件让仪器只在异常发生时采集；第三层是Acquisition策略，部分仪器支持Segmented Acquisition，只保存触发附近的波形，把有限的存储用于几千个事件片段而不是一整段无关数据。Persistence显示也能帮助发现偶发变化。这些能力因仪器而异，AI推荐前必须先知道当前仪器支持什么。
AI在这个漏斗里的位置在中后段：当几千个事件候选被采集下来以后，用聚类把相似事件合并、把与Baseline明显不同的挑出来、把和Operating Mode变化重合的标注出来，最后交给工程师看几十条而不是几千条。Rare Glitch问题真正缺的往往不是瞬间采得多快，而是怎样在足够长时间里只保存真正值得看的事件。另外，“三天没抓到”不等于“不存在”，它只说明这套Trigger与观察策略的覆盖率不够，这个区别在龙虎斗官网电子测试观察里还会再讨论。
Rare Event Capture Funnel：先解决“看多久”，再解决“看多细”；Dead Time示意。 展开完整正文
一、覆盖率的算术
把问题写成数字就清楚了（均为示意）：异常持续10μs，每小时一次；示波器一次Record覆盖1ms；每次采集之后有若干毫秒到几十毫秒的Dead Time。在自由运行模式下，仪器每秒能完成的采集次数受Dead Time限制，累计有效观察时间占总时间的比例可能只有百分之几甚至更低。这意味着即便挂三天，累计真正“睁着眼”的时间可能只有几小时，而异常一共只发生了七十几次，每次10μs。两者相遇的概率低得让人绝望。采样率在这道算术里根本不出现——它决定的是抓到以后看得多细，不是能不能抓到。
二、Trigger先于一切
解决覆盖率的第一步不是买更大的存储，而是让仪器只在异常发生时采集。这要求先定义异常的可观测特征。复位是因为电源跌落？那么在电源轨上设一个低于阈值的Edge Trigger或Pulse Width Trigger。是因为某个脉冲太窄？Runt或Pulse Width触发。是因为通信超时？Timeout触发或协议触发。触发条件设对了，仪器可以连续武装几天，只在异常出现的那一刻采集一段，Dead Time的影响被大幅削弱。AI可以根据异常描述建议触发类型，但必须基于当前仪器的Instrument Capability——不是所有示波器都有相同的触发功能，对一台没有Runt触发的仪器推荐Runt触发，等于什么都没说。
三、Segmented Acquisition与Persistence
部分仪器支持分段采集：每次触发只保存触发附近的一小段，存储被分成几百到几千段，每段带时间戳。这样有限的存储可以覆盖很长的观察时间，且每段都是“有事发生”的片段。Persistence显示则把多次采集叠加，偶发的形状变化会以不同亮度显示出来，适合在不知道该触发什么的时候先“看见”异常长什么样，再据此设计触发。龙虎斗示波器页面反复强调：这些模式因仪器而异，网站不声称所有示波器都具备。
四、AI在漏斗中后段的工作
当分段采集积累了几千个事件片段以后，人工逐个查看不现实。AI的工作是：对每个片段提取特征（脉宽、幅度、边沿、频率成分、与触发点的相对时间），做Alignment后聚类，把几千个片段压缩成几个模式；标出与Baseline最不同的模式；把每个模式与同时间的系统事件（负载变化、通信、温度）关联；给出每个候选的Evidence和置信度。工程师最后看到的是“这几千次触发主要分成三类，其中一类只出现四次且都伴随电源跌落”。这是AI Event Screening的价值，它不替代Trigger，而是在Trigger之后放大工程师的时间。
五、Trigger Miss与Dead Time的残余风险
即使触发策略正确，仍有两类漏网：触发条件定义得不够准，异常以另一种形态出现（Trigger Miss）；两次异常间隔太近，第二次落在第一次的Dead Time里。前者需要在Persistence和AI聚类的结果里不断修正触发定义；后者需要知道仪器的实际重新武装时间。龙虎斗波形分析要求AI在报告里明确写出当前策略的覆盖率估计，而不是只写“未发现异常”。
六、把“没抓到”说清楚
三天没抓到，正确的报告不是“系统正常”，而是：触发条件是什么、武装了多久、触发了多少次、Dead Time占比估计多少、覆盖率估计多少、哪些异常形态不在当前触发定义内。这些信息让下一位工程师能判断要不要换一种触发再挂三天。Rare Glitch的难点从来不是仪器不够快，而是捕获策略是否覆盖了异常真正发生的时间。
频谱分析 2026年8月29日 结构：Spectrum Verification Flow
FFT里突然多出一根很高的频谱尖峰以后，为什么龙虎斗频谱分析第一句话不应该是“这个产品EMI肯定超标了”？
示波器FFT界面上，某个频率附近突然竖起一根比周围高很多的线，有人马上下结论：这个频点会让EMC测试挂掉。龙虎斗频谱分析把这种反应称为“把看到能量当成证明不合规”。从一根尖峰到一个EMI结论，中间隔着测量方法、窗函数、环境、可重复性、限值和正式测试条件六道关，每一道都可能让这根峰变成另一回事。
第一道关是FFT本身。FFT不是按一下就得到绝对正确的频谱：采样率决定能看到的最高频率，Record Length决定Frequency Resolution，增加FFT点数不会凭空创造分辨率；采集窗口不包含整数周期时会产生Spectral Leakage，尖峰旁边出现一片“裙边”，它不代表那里真的有干扰能量；Window选择影响主瓣宽度与旁瓣高度，矩形窗、Hann窗、平顶窗各有代价，AI自动选窗以后工程师仍然需要知道选了什么、为什么。第二道关是仪器：示波器FFT的动态范围和噪声底与专业Spectrum Analyzer不同，示波器前端的杂散也会在频谱里出现。第三道关是环境：Wi-Fi、广播、隔壁的开关电源、荧光灯，全都会进入探头和线缆，DUT断电后峰还在，就与DUT无关。第四道关是可重复性：换个探头位置、换根线缆、换个时间再测，峰还在同一个频率、同一个幅度吗？
走完这四道关，才谈得上第五道：可能来源，也就是把峰的频率与系统里的时钟、开关频率及其谐波对照。再往后是EMI Pre-check——用近场探头、预兼容测量估计它是否可能接近某个限值。但正式限值、测量方法、距离、场地和接收机检波方式都由标准和实验室决定，网页与AI都不能宣布“认证通过”或“认证失败”。看到频谱能量和证明EMI不合规是两件完全不同的事，中间还隔着测量方法、环境、限值和正式测试条件。
Spectrum Verification Flow：一根尖峰离“EMI不合格”还有八步；图中频率为示意。 展开完整正文
一、FFT的三个前提
FFT把一段有限长度的时域波形变成频谱，它的结果被三个前提约束。第一，采样率：FFT能显示的最高频率受采样率限制，采样率不足时高频成分会折叠回低频，形成看起来像干扰的假峰。第二，Record Length：Frequency Resolution大致由采集时间的倒数决定，采集1ms大致只能分辨kHz量级的频率差（示意）；想分辨两个很接近的频率，需要更长的采集，而不是更多的FFT点数——补零只是让曲线更平滑，不增加真实分辨率。第三，Window：有限长度的截断等价于乘上一个窗，窗的频谱会与真实频谱卷积，形成主瓣展宽和旁瓣泄漏。
二、Spectral Leakage与Window的代价
当采集窗口不包含信号的整数周期时，截断处的不连续会把能量扩散到相邻频率，尖峰底部出现一片裙边，这就是Spectral Leakage。矩形窗分辨率最好但旁瓣最高，Hann窗抑制旁瓣但主瓣变宽，平顶窗幅度最准但分辨率最差。没有一个窗同时做到分辨率高、幅度准、泄漏低。龙虎斗频谱分析反对把Window写成“AI自动选择以后无需理解”——AI可以按测量目标推荐窗，但报告必须写出用了哪个窗、它牺牲了什么，否则工程师看到的裙边到底是泄漏还是宽带噪声，没人能回答。
三、示波器FFT与Spectrum Analyzer
示波器FFT和专业频谱仪的用途有重叠，但不能写成“示波器FFT完全取代频谱仪”。频谱仪在动态范围、噪声底、RBW控制和检波方式上通常更适合EMI相关测量；示波器FFT的优势是与时域波形同源，便于做时频关联。示波器前端自身的杂散、ADC的非线性也会在FFT里以尖峰形式出现，AI需要知道仪器的Noise Floor和已知杂散，才能判断某根峰是DUT的还是仪器的。
四、Ambient Check：DUT断电以后峰还在吗
这是最便宜也最常被跳过的一步。把DUT断电，保持探头、线缆、位置不变，再测一次。峰还在，它来自环境或测量系统；峰消失，它才有资格成为DUT的嫌疑。再进一步，做Reference / Background Measurement：Ambient、DUT Off、DUT On、Previous Revision，四组频谱并排比较。AI在这一步的作用是自动做差分和标注，把“在DUT Off时仍存在的峰”直接标灰，避免工程师去追一根来自隔壁工位的线。
五、可重复性与可能来源
通过环境检查的峰还要回答：换个探头位置、换根线、换个时间，它是否稳定？间歇出现的峰要用Real-time Spectrum或Spectrogram去看它的时间行为，这在龙虎斗频谱分析页面另有文章。稳定存在的峰再去对照系统里的已知频率：主时钟及其谐波、DC-DC开关频率及其谐波、无线模块的工作频段、接口的数据率。AI适合做这个对照，因为它可以同时检索原理图里的所有时钟并列出候选，但整数倍关系只是线索，不是证明——这是Spectrum文章3的主题。
六、Pre-check不是Compliance
确定峰来自DUT且频率与某个源对应以后，工程师可以用近场探头定位、用预兼容测量估计它与限值的距离。但预兼容测量的场地、天线、距离、接收机检波方式与正式测试不同，结果只能说“可能接近”或“可能有余量”。正式Compliance由标准实验室按标准流程完成，任何AI Demo都不能显示“认证通过”。龙虎斗频谱分析把这条边界写进每一个EMI相关的输出里。
七、给AI的输出模板
一根尖峰的正确报告应包含：频率与幅度（相对量或标明测量条件）、FFT设置（采样率、Record Length、Window、平均方式）、Leakage评估、Ambient检查结果、可重复性、候选来源列表与依据、当前阶段（Debug / Pre-compliance）、以及明确的“不构成合规结论”声明。这样的报告比“EMI超标”多几百字，但它能被另一个工程师复现和反驳。
EMI诊断 2026年8月27日 结构：Cross-domain Correlation
一个干扰频率每天随机出现几十次以后，AI怎样判断它到底来自DC-DC开关、电机动作、CPU负载还是无线模块？
某个频点的干扰每天随机出现几十次（次数为示意），每次持续几毫秒，频谱仪扫到的时候它多半已经不在了。工程师手里有DC-DC、电机驱动、CPU和无线模块四个嫌疑对象，每一个都“有可能”。再多看一张频谱图不会有帮助，因为频谱图回答的是“能量在哪个频率”，而这个问题需要回答的是“能量出现的那一刻，电路里还有什么事情同时发生”。
龙虎斗电子测试用Cross-domain Correlation处理这类问题：Spectrum Event → Timestamp → Waveform Event → Power Event → Bus / System Event → Candidate Source → Verify。核心是把不同域的记录放到同一条时间轴上：Real-time Spectrum或Spectrogram记录频谱事件的时间戳；示波器记录开关节点、电源轨的时域波形；数字通道或总线解码记录USB传输、RF发射、CPU负载变化、电机使能这些系统事件。当三次频谱异常都与DC-DC模式切换的时刻重合，而与USB、RF、电机动作都不重合，DC-DC就从四个嫌疑里浮出来成为候选。这一步的前提是Timestamp与Trigger同步：示波器记录的是12:00:01，频谱仪记录的是12:00:05，两者不能被当作同一个瞬态强行关联。
AI在这里做的是工程师肉眼做不过来的事：从几千个时间点里找出重合模式，计算每个候选源与频谱事件的时间相关强度，排除那些只是偶尔重合的对象，并把每次重合的原始波形片段、频谱片段和系统事件链接成一条Evidence。但Correlation不是Causation：候选找到以后必须Verify——改变DC-DC的工作模式，看频谱异常是否跟着变；把电机断开，看它是否依然存在。复杂EMI问题真正需要的不是再多看一张频谱图，而是找到频谱异常发生的那一刻，电路里还有什么事情同时发生。
Cross-domain Correlation：候选不等于结论，Correlation之后必须Verify。 展开完整正文
一、为什么单域测量解决不了间歇干扰
传统扫频式频谱测量在每个时刻只看一小段频率，间歇出现几毫秒的事件很容易落在扫描到别处的时候。即使用Max Hold把它抓住了，也只知道“曾经出现过”，不知道什么时候出现、出现时系统在做什么。反过来，只看时域波形也不够：示波器上看到开关节点有瞬态，但它是否就是那个频点的来源，需要频域证据。现代电子设备里Analog、Digital、RF、Power同时在变化，故障经常跨域，这就是Mixed Domain Analysis存在的原因。
二、时间轴是唯一的公共坐标
不同域的数据能被放在一起比较，靠的是共同的时间基准。这有三种实现：一台能同时采集模拟、数字与频谱的混合域仪器，内部天然对齐；多台仪器通过共享触发信号同步，触发时刻就是公共零点；多台仪器各自打时间戳，事后按时间戳对齐，但时钟偏差与延迟必须被量化。龙虎斗测试设备页面专门讨论Instrument Synchronization，这里只强调一条规则：对齐精度必须好于事件持续时间，否则关联没有意义。
三、四个嫌疑对象各自的“指纹”
DC-DC开关：频谱事件应与开关频率或其谐波相关，且与模式切换（轻载/重载、PWM/PFM）时刻重合，时域上开关节点有对应瞬态。电机动作：与电机使能、换相时刻重合，时域上电源轨有较大跌落或反冲。CPU负载：与负载上升时刻重合，往往伴随核心电源轨的电流阶跃，频谱上表现为宽带能量抬升。无线模块：与发射时隙重合，频谱上有明确的工作频段特征。把每个嫌疑对象的特征写成可检查的条件，AI就能在时间轴上逐一打分。
四、AI的相关性计算与Evidence链接
AI把频谱事件的时间戳序列与每个系统事件的时间戳序列做匹配，计算在一定时间窗口内的重合比例；再把重合时刻的时域波形片段、频谱片段、系统日志片段打包成Evidence Card。工程师看到的不是“DC-DC是干扰源”，而是“37次频谱事件中35次与DC-DC模式切换重合（示意），重合时开关节点波形如下，未重合的两次对应以下系统状态”。这种输出可以被检查、被反驳，也可以指导下一步实验。
五、Correlation之后的Verify
相关不是因果。两件事同时发生可能有共同的第三个原因，比如系统负载上升同时触发了DC-DC模式切换和CPU频率提升。验证的办法是干预：固定DC-DC在一种模式下运行，频谱事件是否消失；断开电机，事件是否依旧；限制CPU频率，事件是否变化。每一次干预都要保持测量设置不变，否则比较无效。AI可以建议干预顺序，但执行干预和判断结果是工程师的事。
六、常见失败模式
时间戳未同步就做关联，得出完全错误的候选；只用一天的数据，把偶然重合当成规律；Ambient未检查，关联到的其实是隔壁设备的周期性动作；改变干预对象的同时也改变了探头位置，把测量差异当成干预效果。龙虎斗电子测试页面把这些失败模式列成检查表，AI在输出候选源之前逐条核对。
电源测试 2026年8月25日 结构：Ripple Trust Checklist
AI发现电源Ripple突然高出很多以后，为什么龙虎斗电子测试真正应该先检查的可能不是电源，而是探头那根地线？
AI在夜间自动测试的Report里标了一条：某路电源纹波Pk-Pk比上周高出很多。第二天早上，工程师最不该做的事是直接去改电源的补偿网络。电源纹波通常很小，毫伏量级（示意），任何一点拾取噪声在它面前都相对显著，因此错误的探测方式可以轻易制造出一个比真实问题更大的“问题”。龙虎斗电子测试给纹波测量一张Ripple Trust Checklist：Probe → Ground Connection → Bandwidth → Measurement Point → Waveform → Ripple Measurement → AI Analysis。前四项没有确认之前，后三项没有意义。
Probe：用的是10:1无源探头、1:1探头还是专用电源轨探头？衰减比越大，仪器本底噪声折算到输入端越大。Ground Connection：那根十几厘米的鳄鱼夹地线和探头尖端构成一个环路，Loop Area越大，它越像一根接收天线，把开关节点辐射的高频直接“收”进波形；换成短接地弹簧后纹波读数可能显著下降。Bandwidth：全带宽下仪器噪声底与高频拾取都被计入Pk-Pk，纹波测试通常按测试目标限制带宽，但限制多少必须记录，否则两次测量不可比。Measurement Point：在输出电容两端测，与在几厘米走线末端、负载引脚上测，结果不同，走线阻抗和负载噪声都会叠加进去。
所以AI收到“纹波变大”的第一个动作，应该是比较这次与上次的Metadata：探头型号与衰减比、接地方式、Bandwidth Limit、测点位置、耦合方式、Vertical Scale。任何一项不同，先复测再谈电源。上海龙虎斗ai大模型公司在龙虎斗大模型里把这条逻辑做成规则：Ripple数值变化超过阈值时，AI必须先输出Metadata差异表，再输出对电源本身的假设。至于市电、高压和高功率电源系统的测量，网站只提供一般工程知识，实际操作应由具备相应知识的人员使用符合额定、隔离与安全要求的设备完成。
Ripple Trust Checklist：先确认纹波是被测出来的，还是被“测出来”的；波形为示意。 展开完整正文
一、纹波为什么特别容易测错
纹波是叠加在直流电压上的小信号，测它需要AC耦合和很小的Vertical Scale。这时仪器本底噪声、探头拾取的辐射、地线环路感应的电压都与被测纹波在同一数量级。开关电源本身又是强辐射源，开关节点的高dv/dt通过空间耦合进入探头环路，形成尖峰状的“纹波”。这些尖峰在示波器上真实存在，但它们是测量系统接收到的，不是输出电容两端真实存在的。
二、Probe与衰减比
10:1探头把信号衰减十倍再送进仪器，仪器的本底噪声折算到探头尖端就放大了十倍。测毫伏级纹波时，这个折算噪声可能已经与纹波相当。1:1探头或专用低噪声电源轨探头能改善这一点，但它们的带宽和输入范围也不同。探头衰减比在仪器里设置错误——探头是10:1而仪器设成1:1——会让所有幅度读数错十倍，这是Wrong Probe Ratio，AI在比较两次纹波时必须先核对这一项。
三、Ground Lead与Loop Area
探头尖端到接地点之间的环路面积决定了它接收磁场耦合的能力。鳄鱼夹地线环路面积大，靠近开关电感或开关节点时会感应出明显的高频尖峰；接地弹簧把环路面积压到最小，感应电压随之下降。很多“纹波超标”在换成接地弹簧后消失，这不是电源变好了，是测量变对了。AI看到高频尖峰状纹波时，不能立刻判断电源设计有问题，需要先检查Ground Lead。
四、Bandwidth Limit
纹波测试通常限制测量带宽，把开关频率及其低次谐波以外的高频噪声排除在外。限制到多少取决于测试目标：评估开关纹波、评估对下游敏感电路的影响、评估与某个规格的一致性，各不相同。关键是记录。两次测量一次全带宽一次限带宽，Pk-Pk没有可比性；AI在不知道带宽设置的情况下比较纹波，等于比较两个不同的物理量。
五、Measurement Point
在输出电容两端测的是电源本身的纹波；在负载引脚上测的是纹波加走线阻抗上的压降加负载自身的噪声。两者都有意义，但不能混。测点位置应该作为Metadata的一部分保存，最好有照片或坐标。AI比较历史数据时，测点不同就应该标注“不可直接比较”。
六、Coupling、Vertical Scale与Clipping
AC耦合去掉直流，让小信号能用小刻度显示；但AC耦合的低频截止会影响低频纹波和负载瞬态的显示。Vertical Scale太大，纹波只占零点几格，有效分辨率差，Pk-Pk主要是量化噪声；太小，尖峰超出输入范围被切平，测出的Pk-Pk偏小。这两种情况都应该由AI在Waveform层面自动检查并提示。
七、Ripple Measurement与AI Analysis
前六项确认一致以后，由Measurement Engine计算Pk-Pk和RMS——不是AI目测。然后AI才进入解释：纹波频率是否与开关频率一致、是否出现新的频率成分、是否与负载变化相关、是否与温度相关。龙虎斗电子测试的原则是：AI的每一个关于电源的假设，都必须建立在“测量设置与Baseline一致”这个前提被确认之后。
八、安全边界
开关节点的高dv/dt、市电输入侧、高压母线、高功率系统的测量涉及人身与设备安全，需要合适额定的探头、隔离方案和专业人员操作。龙虎斗官网提供的是一般工程知识，不替代仪器安全手册与实验室安全程序。
测试自动化 2026年8月23日 结构：Safe Test Automation Gate
龙虎斗AI已经能够根据一句话生成完整测试Sequence以后，为什么真正连接昂贵仪器和DUT之前仍然必须故意让它停下来？
“给这块板子做一次上电、纹波、瞬态响应测试，输出报告。”一句话，龙虎斗AI生成了一个包含Initialize、Configure、Stimulus、Wait、Measure、Limit Check、Branch、Log、Cleanup的完整Test Sequence，代码语法正确，注释清楚。然后它应该做的事是：停下来。生成测试代码和允许代码控制真实仪器是两个不同安全等级的问题，前者错了删掉重来，后者错了可能是烧掉一块昂贵的DUT、一根探头，或者更严重。
龙虎斗大模型用Safe Test Automation Gate把这两个等级隔开：Prompt → AI Test Plan → Instrument Capability → DUT Limit → Sequence → Human Review → Execute → Log。Instrument Capability检查回答“这些命令和功能在当前连接的仪器上真的存在吗”——AI不能凭记忆编造SCPI命令，不同厂商、不同型号的命令集、触发功能、输入范围都不同，没有真实Instrument Manual的情况下生成的命令只能标记为“未验证”。DUT Limit检查回答“程控电源要输出的电压、电流是否在DUT绝对最大值以内，示波器通道输入范围和探头额定电压是否被超出”。Human Review是默认停止的闸门：工程师逐项确认后才放行，任何一项不确定则不执行。
2026年测试测量行业确实在把AI推进代码生成和序列生成——公开资料显示主流厂商已在测试开发环境中引入基于提示的代码生成与自动序列生成，这些是行业公开趋势，与龙虎斗无隶属或合作关系。趋势越快，闸门越重要：AI生成的序列涉及电压、电流、RF功率、温度时，无审核执行是不可接受的。龙虎斗App的Test Sequence页面把这个闸门做成了产品规划：Run按钮之前是一张Instrument与DUT限制检查清单，存在未确认项时Run保持禁用。
Safe Test Automation Gate：生成代码与控制真实仪器是两个安全等级。 展开完整正文
一、Test Sequence是什么
电子测试很少只是一次Measurement。一个完整的序列通常是：Initialize（复位仪器、加载配置）、Configure（通道、探头、触发、电源限制）、Stimulus（上电、加载、发信号）、Wait（等待稳定）、Measure（采集与测量）、Limit Check（与规格比较）、Branch（通过则下一步，失败则记录或停止）、Log（保存波形、设置与结果）、Cleanup（断电、恢复安全状态）。AI生成这样的序列并不难，难的是每一步在真实硬件上的后果。
二、四个安全等级
龙虎斗大模型把AI输出按后果分级。L1：生成文本或代码，不接触任何硬件，可以随意迭代。L2：在仿真或干跑模式下执行，验证逻辑与语法，不发送真实命令。L3：控制真实仪器，改变电源输出、触发采集、切换负载，需要工程师审核放行。L4：涉及高压、市电、RF功率、高温或高能量系统，需要专业人员在场并遵守实验室安全程序。AI可以在L1、L2自由工作，进入L3必须经过闸门，L4不在AI自动执行范围内。
三、Instrument Capability检查
闸门第一项：序列里的每个命令、每个功能是否真的存在于当前连接的仪器上。这需要AI读取真实的Instrument Manual，通过RAG检索命令集，而不是依赖模型记忆——不同仪器的菜单、Feature、SCPI、带宽、触发类型都不同，模型记忆里“看起来像真的”的命令可能在这台仪器上不存在或含义不同。找不到对应文档的命令，标记为“未验证”，闸门不放行。
四、DUT Limit检查
闸门第二项：序列中所有会施加到DUT上的量——电压、电流、频率、功率、温度——是否在DUT的绝对最大值以内，是否留有余量；示波器通道的输入范围、探头的额定电压是否覆盖预期信号；程控电源的过压过流保护是否设置。这些数据来自DUT Datasheet和测试规范，AI通过RAG读取并逐项对照，缺失的项列为“未确认”。
五、Human Review为什么是默认停止
把闸门设计成“默认放行、发现问题才停”是危险的，因为AI发现不了它不知道的问题。默认停止意味着工程师必须主动确认每一项，这个动作本身让工程师读一遍序列。对于反复运行的成熟序列，可以在首次审核后授权重复执行，但任何参数变化都重新触发审核。龙虎斗App的Run按钮逻辑就是这样：检查清单全部确认前，Run禁用。
六、Execute与Log
放行以后的执行阶段，Log要保存的不只是Pass/Fail：每一步的仪器设置、实际施加的激励、原始波形、测量结果、时间戳、仪器型号与固件、序列版本。没有这些，测试无法复现，这是龙虎斗官网电子测试观察3的主题。Cleanup必须在任何失败路径上都执行，让DUT和仪器回到安全状态。
七、行业趋势与边界
2026年主流测试测量厂商在测试开发环境中引入提示式代码生成与自动序列生成，学术界与标准组织也在讨论测试AI的可验证性。这些趋势说明AI进入测试序列已经是现实，也说明闸门设计正在成为测试AI架构的必要部分。龙虎斗官网引用这些只作为公开技术趋势，不暗示与任何厂商存在合作。
测试大模型 2026年8月21日 结构：AI Waveform Review Loop
龙虎斗大模型已经从一万条Waveform里找到37条异常以后，为什么工程师下一步最需要看的不是“异常数量”，而是AI凭什么把它们挑出来？
AI从几万条波形里找异常很快。真正难的是它挑出来的那37条（数字为示意），到底是电路真的变了，还是Trigger位置、Probe和Operating Mode变了。“37”这个数字本身几乎没有信息量：阈值放宽一点是120条，收紧一点是5条。工程师需要的是每一条被选中的理由、它与Baseline差在哪、它的上下文是否与Baseline一致、能不能点回原始数据。龙虎斗大模型把这个过程做成AI Waveform Review Loop：Waveform Dataset → Feature / Pattern → Cluster → Anomaly Candidate → Evidence → Engineer Review → Label → Model Feedback。
Feature是AI从每条波形提取的可解释量：边沿时间、Overshoot、脉宽、周期、噪声水平、频率成分、与触发点的相对位置。Cluster把一万条压缩成几个模式，大多数波形属于“正常”簇，异常候选是离簇最远的那些。但异常不等于故障：一条波形与历史不同，可能是Operating Mode Change、Load Change、Configuration变化、Probe Change、温度、或者一个正常的功能事件。Baseline本身也可能不完美——第一块正常工作的板子不能自动成为绝对标准，Golden Waveform也需要被质疑。而在比较之前，两条波形必须先Alignment：Time Alignment、Trigger Alignment、Normalization，否则AI会把触发位置的差异误认为形状异常。
所以每个候选都要附一张Evidence Card：哪些特征偏离、偏离多少、同簇里还有几条、同时刻系统状态是什么、Metadata与Baseline是否一致、置信度是High、Medium还是Needs Review、以及回到Raw Waveform片段、对应FFT和同时刻总线事件的链接。工程师Review以后打标签——真异常、误报、Setup问题——这些标签回流模型，False Positive才会逐渐减少。AI筛选的真正价值不是替工程师宣布哪条波形有问题，而是把原本看不过来的测试数据压缩成一组有证据、值得验证的候选事件。龙虎斗模型不显示99.99%准确率，它显示的是每一条的理由。
AI Waveform Review Loop：AI挑出来的，工程师看得见“凭什么”；数字均为示意。 展开完整正文
一、大规模波形筛选为什么需要AI
长时间自动测试、分段采集、多板多温度多条件的验证，很容易产生几万条波形。逐条看不现实，传统统计——平均值、最大最小值——又容易把最重要的那一条藏进平均里（这是龙虎斗波形分析页面Waveform文章2的主题）。AI的适用场景正是这种：从大量相似数据里找出少数不同的，并解释不同在哪。
二、Feature必须可解释
龙虎斗大模型要求异常筛选建立在可解释特征上，而不只是端到端的黑盒得分。边沿时间、幅度、脉宽、周期、噪声RMS、主要频率成分、相对触发点的时间偏移，这些量由Measurement Engine确定性地算出，AI在此基础上做统计和聚类。这样当AI说“这条异常”时，它能同时说“因为Overshoot比簇均值高出多少”，工程师才有东西可以核对。
三、Alignment先于比较
两条波形在比较之前需要对齐。触发抖动会让同一个事件在两次采集里出现在不同位置，直接逐点比较会得到巨大的“差异”；幅度归一化不做，探头衰减比的差别会被当成信号变化。Time Alignment、Trigger Alignment、Normalization是Waveform Similarity的前置步骤，AI跳过它们得到的异常大多是Setup差异。
四、Baseline与Golden Waveform的风险
异常需要对比“正常”，Baseline可以来自Golden Unit、Previous Revision、Normal Operating State或Historical Waveform。但Golden Unit可能本身带着一个没被发现的问题，Previous Revision可能有已知缺陷。龙虎斗模型把Baseline的来源和已知局限作为Metadata保存，并在候选报告里注明“相对于哪个Baseline”。多个Baseline互相不一致时，AI应该报告不一致本身，而不是选一个。
五、异常不等于故障：上下文检查
候选出来以后，第一轮过滤是上下文：Operating Mode是否变化、负载是否变化、配置是否变化、探头是否更换、温度是否不同、是否是一个预期的功能事件（比如开机自检）。这些信息来自测试日志与Metadata。上下文不一致的候选降级为“Setup差异”，只有上下文一致的候选才进入“可能的电路变化”。
六、Evidence Card与置信度
每个候选的Evidence Card包含：偏离的特征与幅度、簇内相似候选数、Baseline来源、上下文一致性、同时刻系统事件、置信度等级、原始数据链接。置信度只用High / Medium / Needs Review三级，不给百分比——一个从几十次Review里学来的模型，没有资格显示小数点后四位。
七、Review、Label与Model Feedback
工程师对每个候选打标签：真异常、误报、Setup问题、需要复测。标签回流以后，模型学到的不只是“什么是异常”，还有“什么样的Setup差异经常被误报”。这个Loop跑几轮以后，False Positive下降，工程师看候选的时间也下降。这才是AI在测试数据管理里的真正价值：不是替人判断，而是让人判断得更快、更有依据。
八、Metadata Search
有了特征与标签，测试数据可以被搜索：“所有在85℃（示意）环境下出现过Overshoot的Waveform”“Revision B相对Revision A纹波频率成分变化的所有采集”。这比按文件名找有价值得多，也是龙虎斗App Waveform Review功能的基础。
