上周在实验室调一台3kW的LLC样机旁边新来的实习生问我现在AI都能一键生成代码了咱们天天写C2000的DSP程序是不是很快要被替代了我看了他一眼指着示波器上抖得像心电图一样的电流波形说你先把为什么这个波形在过零点会抖三毫秒搞清楚再谈AI替代咱们的事。这个问题几乎是每个做电源DSP的人最近都在问的。2025年AI编程工具的能力确实吓人写个网页、配个接口、生成脚本基本是降维打击。但电源DSP软件这块我翻了翻国内外论坛、也亲自把主流AI工具拉到真实项目里用了两个月结论很明确电源DSP软件工程师依然要会写代码只是写代码的方式、重点、门槛全变了。这篇就把我这十几年写电源控制代码的心得以及最近用AI辅助调PFC、LLC、反激电源的一些实测记录一次性聊透。不讲虚的全是踩坑换来的。1. 先回答电源DSP的“代码”到底长什么样1.1 它跟Web开发、算法岗的代码完全不是一回事很多说“AI能替代程序员”的人脑子里想的是写CRUD接口、写Python爬虫、写前端页面。但电源DSP里的“代码”是跑在微秒级中断里的实时控制程序它的本质不是“处理逻辑”而是“和物理世界打交道的实时约束”。以最常见的TI C2000系列DSP为例一个典型的数字电源工程代码量不大但每行都极其讲究ADC采样由EPWM触发过采样、求平均采样窗口必须避开开关管的开关噪声否则采出来的电压电流全是毛刺。控制环路计算电压外环、电流内环频率一般在50kHz到200kHzPFC可能还更高。每个中断周期里都要完成定标、误差计算、PID或PR控制量更新。PWM更新计算出的占空比要写到CMPA/CMPB影子寄存器等下一个PWM周期开始才生效。这一步差一个周期系统可能就振荡了。保护逻辑过压、过流、过温。硬件比较器做第一道防线软件做第二道冗余要求极端工况下几个微秒内响应。状态机启动时序、软启动、故障锁存与恢复、轻载模式切换、通讯指令解析。这类代码的特点是和硬件强耦合。你写的每一行背后都有一个物理信号在对应占空比变了电感电流斜率就变采样窗口偏了看到的纹波就忽大忽小死区时间没配好桥臂直接直通炸管。所以当有人问“电源DSP代码能不能让AI写”我第一反应是反问你让AI怎么知道你的采样电阻有5nH寄生电感它怎么知道你的IGBT拖尾电流在轻载时会干扰电流环它连示波器都没接过。1.2 为什么AI很难独立完成电源控制代码这里得把道理掰开说。AI大模型的本质是基于海量文本做“高频token预测”。它能写出一段看起来语法正确、结构完整的C代码这没问题。但电源控制代码的正确性不取决于语法而取决于时序和物理层面。举个最直白的例子电流环的PID计算放在ADC采样完成之后、PWM更新之前这个顺序不能乱。AI知道吗它知道因为资料里有。但你的系统里ADC采完还要做数字滤波、补偿采样延迟带来的相位滞后或者你用了两个ADC交替采样AI能自动匹配吗大概率不能它只会给你套一个“通用模板”。更关键的是电源代码的难点全在边界条件上输出短路电流瞬间冲到150A软件环路来不及反应保护逻辑能不能在10微秒内封波电网跌落到0再恢复PFC的启动状态机能不能按正确的时序重新软启动负载从10%跳到100%输出电压跌落超过指标环路补偿参数要不要切换采样电阻在低温下漂了15%电流环的定标系数还能不能准确这些问题AI一个都答不了。因为它没有物理直觉没有功率级的“炸机体验”也不知道你的PCB布局里哪些信号容易被耦合干扰。AI生成的是“看起来对的代码”不是“在这个电路上可靠运行的代码”。两码事。2. AI在电源DSP领域能干什么能帮但方向很集中聊完“不能干什么”再说“能干什么”。我这两个月实际把AI用到了项目里确实有环节效率提升非常明显但也有环节我压根不敢让它碰。2.1 适合AI代劳的场景配置代码、脚本工具、调试辅助实测下来AI在下面这些场景是真正的“提效神器”第一类外设初始化代码。比如你只要把需求描述清楚“配置EPWM1模块时基100kHz向上向下计数模式CMPA设为1500启动物联死区设为200ns”AI能生成结构完整的初始化函数。寄存器地址和位域它通常能写对因为网上资料足够多。但注意生成完必须对着芯片手册逐项核对特别是C2000这种寄存器特别琐碎的芯片位域错一位波形就出不来。第二类离线数据分析脚本。这一块AI是真的强。电源调试经常要把示波器或DSP导出的CSV数据拿来算效率、算THD、算纹波、画波特图。这种“Python胶水代码”你只要描述清楚输入格式和要输出的指标AI基本能一次写对。而且它错在脚本里最多是分析结论不对不会炸硬件我非常放心。第三类文档与注释。生成Doxygen注释、整理代码结构说明、把一段晦涩的中断处理逻辑改写成容易读懂的版本AI做得又快又好。我最近的两个项目文档全是先让AI打底我再改省了不少时间。第四类调试辅助。把一段有问题的代码贴给AI问它“这个函数有哪些边界条件没处理”“如果duty0会发生什么”AI往往能给出不错的审查意见。前提是你自己得先能判断它说得对不对。我用下来觉得这些任务有个共同点环境相对封闭、输入输出形式明确、修改成本低、错了也不会炸机。AI当“提效工具”非常合适。按任务类型整理了一个使用建议表方便你参考任务类型AI可用性风险等级我的建议外设初始化代码中中AI生成后逐项核对寄存器手册控制环核心计算低高必须人工手写并仿真验证离线数据分析脚本高低放心用但要校验边界和物理量纲保护逻辑低极高禁止直接使用AI生成代码单元测试用例生成中低可参考但必须补齐硬件相关测试注释和文档高低尽量让AI做节省时间2.2 不适合AI的场景安全关键逻辑、时序敏感中断、底层驱动上面表格里我已经把风险标出来了。这里重点展开说为什么有些场景坚决不能让AI碰。首先是中断服务程序ISR里的控制环路。电流环从ADC读取到PWM更新这段代码要求在纳秒级的时间确定性里执行。所以规矩特别多不能用malloc、不能用C对象、不能随意调用函数连编译器优化等级都要小心。AI生成的代码喜欢调用一个又一个辅助函数表面上很优雅实际在C2000这种主频只有100-200MHz的芯片上每个函数调用都有开销转一圈回来中断周期超时了系统直接发散。其次是保护逻辑。过流脱扣必须在一个开关周期内完成而且要考虑到硬件和软件的双重冗余。AI生成的保护代码用标准的if-else判断“如果电流大于阈值就封波”看起来没毛病但它不会告诉你你这条路径上有一个函数调用而那个函数里又有一个循环等待等它转完管子早炸了。它也不懂软件保护每一行都要精简到极致所有判断都要放在中断最前面甚至要单独用汇编去抠那几十个周期的延迟。第三是底层驱动。比如DSP上电后的Flash配置、RAM函数拷贝、bootloader、__attribute__((ramfunc))这种指定函数在RAM中运行的关键修饰。AI知道这个关键字存在但它很难理解为什么要把时间敏感的中断函数放进RAM运行因为Flash有等待周期调用慢对于50kHz甚至更高的控制频率跑在Flash里会导致中断执行时间不确定。这种硬编码时序逻辑AI生成的东西只能当参考不能直接用。一句话总结AI生成代码的问题不是“不聪明”而是“不负责”。电源行业一道题的边界条件是无穷无尽的电网跌落、负载跳变、启机冲击、温度漂移、器件老化。AI没办法靠“记住互联网上的代码”来覆盖这些无穷无尽的物理场景。3. 实操我用AI辅助写了一段电流环离线分析工具光说理论容易飘分享一个我最近的真实项目片段。前阵子在调一台交错并联PFC电感电流波形偶发畸变时有时无示波器上看得很吃力。我决定把DSP里采集的ADC数据导出来用Python离线分析定位畸变发生的工况窗口。这个活儿我让AI干了大部分但也踩了一个典型的坑。3.1 需求拆解与提示词设计先说我怎么给AI提需求。电源工程师给AI提需求最容易犯的毛病就是说得太笼统比如“帮我写一个分析波形畸变的脚本”。AI不知道你的CSV长什么样不知道采样率也不知道畸变的判定标准它只能瞎猜给出一堆看起来能用但根本不匹配你数据的代码。我的做法是把需求拆成四个明确的部分输入格式CSV文件第一列是时间戳单位微秒第二列是ADC采样值已经换算成电流单位安培。处理逻辑以10ms为一个窗口窗口与窗口之间重叠5ms分别计算每个窗口内电流的RMS和THD。输出要求把THD超过5%的窗口筛选出来打印起始时间和结束时间保存对应的波形片段到一个新CSV。额外约束输入数据里可能有NaN要做清洗时间戳不保证严格递增要排序。提示词写清楚之后AI生成的代码基本能用。我把其中核心的计算部分贴出来做了简化import pandas as pd import numpy as np def analyze_current(data, window_ms10, overlap_ms5, thd_threshold0.05): data: DataFrame with columns [time_us, current_a] # 数据清洗去NaN、按时间排序 data data.dropna().sort_values(time_us).reset_index(dropTrue) fs_hz 1e6 / np.mean(np.diff(data[time_us])) window_samples int(fs_hz * window_ms / 1000) overlap_samples int(fs_hz * overlap_ms / 1000) step window_samples - overlap_samples results [] for start in range(0, len(data) - window_samples 1, step): seg data.iloc[start:start window_samples] time_start seg[time_us].iloc[0] / 1000 # ms time_end seg[time_us].iloc[-1] / 1000 # 去直流分量后再算RMS否则DC会严重拉高RMS ac seg[current_a] - seg[current_a].mean() rms np.sqrt(np.mean(ac**2)) # THD计算FFT后取基波幅值和谐波幅值 spectrum np.fft.rfft(ac.values) amp np.abs(spectrum) / len(ac) * 2 fundamental_idx int(round(fs_hz / 50.0)) # 假设工频50Hz fundamental_amp amp[fundamental_idx] if fundamental_idx len(amp) else 0 harmonic_amp np.sqrt(np.sum(amp[2:]**2)) # 忽略直流和基波 thd harmonic_amp / fundamental_amp if fundamental_amp 1e-6 else float(inf) results.append({ start_ms: time_start, end_ms: time_end, rms_a: rms, thd: thd }) df pd.DataFrame(results) abnormal df[df[thd] thd_threshold] return df, abnormal这段代码不是AI一版生成的中间我让它改了两轮第一轮它没做数据清洗我拿真实数据一跑就报错第二轮它算了直流分量但没用AC分量算RMS导致RMS虚高。这就是我要强调的AI代码必须拿真实数据反复打磨不是“生成完就能用”。3.2 关键代码实现与AI输出的校验代码生成出来之后我一般不急着跑真实数据。先构造一套模拟数据验证算法本身是对的再上真数据。这个习惯救过我很多次。模拟数据很简单生成一个50Hz正弦波叠加5%的谐波分量再加一点白噪声然后手动在某个时间窗口把谐波分量调大到15%模拟“畸变窗口”。跑一遍脚本如果算法正确应该能精确把这段畸变窗口检测出来。# 模拟数据生成 fs 50000 # 50kHz采样率 t np.arange(0, 1, 1/fs) current 10 * np.sin(2 * np.pi * 50 * t) # 第400ms到500ms之间加入高谐波畸变 mask (t 0.4) (t 0.5) current[mask] 1.5 * np.sin(2 * np.pi * 150 * t) # 3次谐波 np.savetxt(sim_current.csv, np.column_stack([t*1e6, current]), delimiter,, headertime_us,current_a, comments)演算结果检测窗口应该在400ms到500ms附近THD计算出的15%和设定值差不多。如果这一步都过不了千万别拿真实数据去跑——你分析出来的“异常窗口”可能是算法算错了而不是电路真的有问题。3.3 踩坑记录AI给出的“看起来对”的错误这次实操中我真实踩到了两个经典坑写出来给大家避避雷。第一个坑THD公式里没处理直流分量。AI第一版代码直接用原始电流做FFT没有把直流分量减掉。结果因为ADC偏移导致直流偏置FFT在0Hz处出现一个巨大的峰值虽然算的时候跳过了第0个频点但直流偏置会让其他频点的幅值整体失真THD结果偏大。这个坑不细看根本发现不了数据看起来“不太对”但又不至于离谱。第二个坑归一化算错了。AI在算THD时用了amp np.abs(spectrum) / len(ac)这导致幅值整体缩小了一半因为没乘2。基波幅值被低估THD就被高估了。这类错误属于“量纲错误”和“尺子不准”会让你对真实畸变程度产生错判。所以我的经验是AI生成的代码必须用物理量纲做合理性校验。比如效率超过100%、THD超过100%、RMS算出来为负这类结果一定是代码有问题。电源工程师要养成对“数字的合理性”保持敏感的职业习惯这是AI目前给不了你的。4. 从“写代码”到“设计校验救火”能力模型已经变了聊完了实操说点更深的东西。很多工程师焦虑“AI替代写代码”其实是没看清一个趋势AI抹平的是“写代码”的门槛但放大了“判断力”的权重。4.1 你真正不可替代的能力是什么现在的电源DSP工程师如果你只会“把逻辑翻译成C语言”那确实危险。但如果你具备下面这几层能力AI不但替代不了你还会变成你的超级杠杆第一层控制理论的理解。为什么用PI不用PID怎么根据LC滤波器的截止频率计算PI参数相位裕度不够该加零点还是极点轻载模式下要不要切PR控制器这些问题AI能给你标准答案但标准答案不一定适合你的电路。判断“适不适合”靠的是你脑子里的控制理论框架。第二层硬件感知。采样延迟对电流环相位的影响、PWM死区时间对THD的贡献、驱动芯片传播延迟对占空比精度的影响、功率回路寄生电感对开关尖峰的影响这些物理直觉必须在实际调试中一点点积累。AI没有示波器没有功率级它感知不到你感知得到。第三层系统级调试与救火能力。一个项目出问题是硬件问题、软件问题、还是算法问题这个问题AI永远答不了因为它连你的电路板都没见过。只有你能通过波形、数据、异常现象一步步定位到根因。这种“从现象到本质”的推理能力是经验堆积出来的不是题库训练出来的。第四层责任与工程判断。现在行业里越来越强调“质量责任”。AI生成了一段有隐患的代码出了问题公司不会去找AI只会找你。所以你必须有能力判断“这段代码能不能上产线”。这个判断力是职业生命线。在AI时代写代码的“体力活”会越来越不值钱但设计、校验、做决策的“脑力活”会越来越值钱。电源DSP工程师的定位正在从“码农”变成“系统架构师安全把关人”。4.2 如何利用AI把自己从重复劳动中解放出来既然方向清楚了那就聊聊具体怎么用AI提效。我目前的工作流是这样第一把AI当“结对编程的实习生”。需要写一段初始化代码、脚本、测试工具时先让AI出第一版我负责设计接口、审查逻辑、补边界。它干“脏活累活”我做“决策和校验”。第二建立自己的“提示词库”和“代码片段库”。很多重复劳动是可以沉淀下来的。比如EPWM初始化、ADC定标、SPI读取、PID控制器框架这些代码我让AI生成过一次以后质量不错就保存到自己的代码片段库下次直接改参数用。再把这个片段作为“参考示例”喂给AI它能做得更好。第三用AI做“第二双眼睛”。我写完核心控制环代码会贴给AI让它提意见比如“这段代码如果PWM占空比饱和会怎样”“电流环是否有积分饱和问题”“采样值异常时有没有保护”。多数时候AI答得比较浅但偶尔能帮我发现一些遗漏的边界条件。注意它的意见仅供参考最终判断权在我。第四掌握正确的提问方式。给AI提需求时尽量具体化带上上下文和约束。比如我在TI C2000上做数字电源主频100MHzADC由EPWM触发触发信号是up-down计数模式的周期匹配。现在采样值偶尔出现尖峰怀疑是采样窗口刚好落在开关管开通瞬间。请帮我写一个ADC采样值的中值滤波函数要求计算量小适合在中断里执行同时不要使用动态内存。这种提示词比“帮我写个滤波算法”效果强十倍。AI能根据你的约束条件生成更贴近实际需求的代码。5. 给新入行工程师的几条实在建议最后给还在纠结“要不要好好学写代码”的年轻工程师说几句掏心窝子的话。5.1 先好好手写一个控制环再谈AI辅助我的建议很直接新入行前一到两年别依赖AI写代码。先老老实实在CCS里手写一个完整的Buck变换器代码配置时钟、GPIO、ADC、EPWM写一个PI环再写软件保护。等你能独立跑通整个流程再让AI介入。为什么因为只有亲手经历过“定时器配置不对导致PWM不出波”“采样触发晚了导致电流发散”“积分饱和导致超调炸机风险”你才能真正理解控制系统里的每一个环节。这些“痛感”AI给不了你。没痛过你连AI生成的代码错在哪里都看不出来。5.2 工具链怎么搭一个容易忽略的大坑现在很多工程师用VSCode写DSP代码然后遇到一个经典问题VSCode写C语言没有代码提示。这个问题在网上被问了无数次其实就是没装对插件或者没配置好编译数据库。两个方案方案一用TI官方的CCS Theia版本。它基于现代IDE内核代码提示、跳转、调试体验都不错和C2000ware的集成也最省心。方案二坚持用VSCode的话一定要装C/C插件或clangd并且让工程生成compile_commands.json。没有这个文件VSCode的智能提示就会“失灵”。配置方法各家芯片IDE不太一样网上有详细教程不展开了。至于AI编程助手现在VSCode上插件很多有些还能直接和ChatGPT之类的模型对话。我的建议是可以用但不要在调试核心控制环时让它自动补全代码后直接下载进板子。务必开着diff模式逐行审查它生成的改动再把固件烧录进去。不然哪天它“好心”给你重构了一个函数结果时序变了你拿着示波器找三天都找不到原因。另外Git一定要用起来。每步改动都能回滚这样AI改坏代码了你也不慌。配合自动化构建脚本改完代码一键编译、一键烧录测试效率能提升非常多。5.3 一个容易忽略的事质量责任在你自己这是整个话题里最严肃的一条。现在的AI工具生成代码的速度越来越快、质量越来越高但责任边界永远不会模糊AI生成的代码出了问题背锅的永远是你不是AI。尤其在电源行业一次炸机可能烧掉几千元的功率器件一次批量问题可能让整个产品线返工甚至召回。所以不管AI多强我的习惯是核心控制代码逐行review特别是ISR里的所有操作关键路径加断言与自检比如ADC采样值超出合理范围时直接触发保护、PWM占空比饱和检测任何改动先仿真再上电能跑的离线仿真、能用的硬件在环测试全部跑一遍再装机把AI辅助生成的代码当成“外部供应商代码”来对待需要完整的验收测试计划不能直接信任。按场景整理了一个AI辅助验收清单方便自查AI辅助场景需要人工确认的重点验收方式外设初始化代码生成寄存器地址、位域、时钟配置是否与手册一致对照芯片手册逐项核对示波器验证波形控制环参数计算帮助PID参数、采样率、相位裕度计算是否合理用仿真工具做环路稳定性分析保护逻辑相关代码响应时延、分支覆盖、异常处理路径故障注入测试短路/过压/过温全覆盖离线分析脚本量纲是否合理、边界条件是否处理完整用模拟数据验证算法正确性单元测试用例是否覆盖硬件相关路径、边界条件是否真实结合代码覆盖率和硬件实测我个人的体会是AI工具用得越熟练越要有一颗“不信任的心”。它是在给你提供“弹药”但扣扳机的人始终是你。最后再分享一个小技巧这几个月用AI辅助调电源我有一个特别深的体会让AI“看”波形比让AI“写代码”更有价值。说到底现阶段AI最大的短板是缺乏物理世界的感知。但你可以把这个短板绕过去——把示波器导出的波形数据喂给AI让它帮你分析畸变次数、抖动频率、异常窗口甚至生成频谱图。这比我盯着CSV手动算快得多。前两天我调一台图腾柱PFC过零附近电流畸变找了两天没定位到根因后来把波形数据扔给AI让它统计畸变窗口和电网相位的对应关系它几分钟就发现畸变固定出现在电压过零前后5毫秒内。我顺着这个线索查过零检测电路的偏置电阻问题一下就定位了。这个过程中AI既没写代码也没调代码但它帮我做了关键的数据分析效率提升了不止一倍。AI时代电源DSP软件工程师还需要会写代码吗我的答案很朴素代码依然要会写这是底线但如果你想往上走更要会设计、会校验、会救火。把AI当成一个聪明的工具去驾驭而不是当成替代者去害怕这才是这个时代正确的打开方式。