嘉立创社区
发动态
综合 最新发布 最新回复
图文
列表
简介 在 PCB 设计中，有时我们需要直接在画布上通过线条、焊盘、填充区域等图元“画”出一个封装（例如异形焊盘、特殊连接器或者直接从 DXF 导入的图形）。通常情况下，我们需要将这些图形复制到封装编辑器中才能创建元件，过程繁琐。 本插件实现了所见即所得的封装创建功能。你只需在 PCB 画布上选中绘制好的图形，在菜单栏选择 创建封装，输入一个名称，插件就会自动提取这些图元的几何信息，在指定的库中生成对应的封装 (Footprint)、符号 (Symbol) 和 器件 (Device)，并立即将其作为一个完整的元件放置回当前画布中。 使用方法 准备图形：在 PCB 编辑器中，使用焊盘、线条或填充区域工具绘制出你的封装形状。 选中对象：框选所有组成该封装的图元。 运行插件：在菜单栏选择 创建封装。 配置参数： 封装名称：输入你想创建的封装名称（如 QFP-32）。若留空，会自动生成如 NEW-32Pin_123045 的名称。 选择库：在下拉列表中选择要保存到的目标库（通常是你的“个人库”或“工作区库”）。 执行创建：点击 “创建封装” 按钮。 自动完成： 脚本会自动计算原点、提取焊盘编号。 自动生成对应的原理图符号。 删除选中的原始图形，并将新生成的器件吸附到鼠标上等待放置。 8696994631420637184 解决了哪些痛点 异形封装制作难：对于某些不规则的射频天线或触摸按键，直接在 PCB 里画比在封装编辑器里计算坐标要快得多。本工具支持“画完即用”。 DXF 导入转封装：从 CAD 导入的复杂板框或连接器外形，现在可以直接转为封装，无需繁琐的导出导入步骤。 符号与封装同步：传统方式是先画封装，再画符号，再建器件关联。本工具一键生成全套（封装 + 符号 = 器件） 技术要点 源码生成：脚本不依赖繁琐的图形绘制 API，而是直接生成符合 JLCEDA 格式规范的 JSON 源码字符串（包括 符号 的 BBOX 计算、引脚排列，以及封装的图元坐标转换），通过 updateDocumentSource 接口更新源码。 坐标归一化：自动计算所有选中图元焊盘的几何中心作为封装的原点 (0,0)，确保生成的封装在库中是居中的。 自动符号生成算法：根据焊盘数量，自动生成一个标准的矩形符号。引脚按照编号采用 逆时针 顺序排列，符合大多数芯片的符号规范。 图元类型过滤：精准筛选 Pad（焊盘）、Polyline（多义线/丝印）、Region（填充区域），自动忽略不相关的辅助线，保证封装的纯净。 使用API接口 API接口 描述 eda.lib_LibrariesList.getAllLibrariesList() 获取当前用户可用的库列表，用于选择保存位置。 eda.pcb_SelectControl.getAllSelectedPrimitives() 获取当前在 PCB 画布上选中的所有图元。 eda.lib_Footprint.create(...) 创建一个新的空封装。 eda.lib_Symbol.create(...) 创建一个新的空符号。 eda.lib_Device.create(...) 创建一个新的器件，并关联上述封装和符号。 eda.lib_Footprint.updateDocumentSource(...) 将计算好的几何数据写入封装文件。 eda.lib_Symbol.updateDocumentSource(...) 将计算好的引脚数据写入符号文件。 eda.pcb_PrimitiveComponent.create(...) 在 PCB 上放置生成好的器件。 eda.pcb_PrimitiveComponent.delete(...) 删除放置的器件。 eda.sch_PrimitiveComponent.create(...) 放置器件。 eda.pcb_PrimitivePad.delete(...) 删除选中焊盘。 eda.pcb_PrimitivePolyline.delete(...) 删除选中线条。 eda.pcb_PrimitivePour.delete(...) 删除选中多边形。 eda.sys_IFrame.hideIFrame(...) 隐藏窗口，待下次使用。 注意事项 v2.2.43 关于 API 缺陷的规避方案 由于 EDA 现有 API 存在已知缺陷，本插件采用了一种特殊的“迂回策略”来确保数据完整性 问题表现 若仅使用 eda.pcb_PrimitiveComponent.create(...) 放置PCB器件，保存后重新打开，器件会从 PCB 画布消失，但原理图符号正常。 若仅使用 eda.sch_PrimitiveComponent.create(...) 放置PCB器件，保存后重新打开，器件不会消失，但原理图符号将出现异常，无法被放置。 解决方案 执行时会先调用 eda.pcb_PrimitiveComponent.create(...) 接口创建器件以建立正确的符号索引，随即立即将其删除； 紧接着调用 eda.sch_PrimitiveComponent.create(...) 将器件吸附于鼠标光标进行手动放置 结果：此操作既修复了原理图符号不可用的问题，也确保了 PCB 器件在保存后不会丢失。 首次使用可能会弹出 选中对象中含有元件，是否同时删除? 勾选 不再提醒 后点击 确认 即可 适用EDA版本 v2.2.43 （更新后可能会出现未知问题） 暂不支持 v3 版本，待后续更新 本工具基于 v2.2.43 客户端开发 #创建封装# #快速建模# #自动化工具# #嘉立创EDA# #扩展API# #扩展插件# #狼黑工具#
嘉立创EDA扩展插件 - 快速创建封装工具
嘉立创EDA
贴片的 自恢复保险丝 靠谱么？ 看保险丝有那么多种
为防止自己手残 玩单片机时接错杜邦线 短路。打算在电源处串个300mA保险丝保护一下。 看见有贴片的 ，眼花了，它又分为自恢复、一次性 。然后，一次性又分为 带底座 和 直接焊 的。还有那种更传统的玻璃管的。从安全和保护的角度来说，用哪种好？ #DIY设计#
硬创社
报错
放置51单片机C8707时报错如图，该怎么处理
嘉立创EDA
20包京东抽纸
又省了一笔
金豆商城专区
打卡打卡
硬创社
开源硬件平台
看书使人进步
兄弟们关于PCB设计的书籍有没有推荐的，不知道嘉立创官方推荐的效果咋样
硬创社
MCP 与 Skill 深度对比：AI Agent 的两种扩展哲学用 AI Agent 工具（Claude Code、Cursor、Windsurf 等）的时候，经常会遇到两个概念：MCP（Model Context Protocol）Skill（Agent Skill）它们看起来都是"扩展 AI 能力"的方式，但具体有什么区别？为什么需要两套机制？什么时候该用哪个？这篇文章会从设计哲学、技术架构、使用场景三个维度，把这两个概念彻底讲清楚。一句话区分先给个简单的定位：MCP 解决"连接"问题：让 AI 能访问外部世界 Skill 解决"方法论"问题：教 AI 怎么做某类任务用 Anthropic 官方的说法："MCP connects Claude to external services and data sources. Skills provide procedural knowledge—instructions for how to complete specific tasks or workflows."打个比方：MCP 是 AI 的"手"（能触碰外部世界），Skill 是 AI 的"技能书"（知道怎么做某件事）。你需要两者配合：MCP 让 AI 能连接数据库，Skill 教 AI 怎么分析查询结果。MCP：AI 应用的 USB-C 接口MCP 是什么MCP（Model Context Protocol）是 Anthropic 在 2024 年 11 月发布的开源协议，用于标准化 AI 应用与外部系统的交互方式。官方的比喻是"AI 应用的 USB-C 接口"——就像 USB-C 提供了一种通用的方式连接各种设备，MCP 提供了一种通用的方式连接各种工具和数据源。关键点：MCP 不是 Claude 专属的。它是一个开放协议，理论上任何 AI 应用都可以实现。截至 2025 年初，已经被多个平台采用：Anthropic: Claude Desktop、Claude CodeOpenAI: ChatGPT、Agents SDK、Responses APIGoogle: Gemini SDKMicrosoft: Azure AI Services开发工具: Zed、Replit、Codeium、Sourcegraph到 2025 年 2 月，已经有超过 1000 个开源 MCP 连接器。MCP 的架构MCP 基于 JSON-RPC 2.0 协议，采用客户端-主机-服务器（Client-Host-Server）架构： ┌─────────────────────────────────────────────────────────┐ │ Host │ │ (Claude Desktop / Cursor) │ │ │ │ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │ │ │ Client │ │ Client │ │ Client │ │ │ │ (GitHub) │ │ (Postgres) │ │ (Sentry) │ │ │ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │ └─────────┼────────────────┼────────────────┼─────────────┘ │ │ │ ▼ ▼ ▼ ┌───────────┐ ┌───────────┐ ┌───────────┐ │MCP Server │ │MCP Server │ │MCP Server │ │ (GitHub) │ │(Postgres) │ │ (Sentry) │ └───────────┘ └───────────┘ └───────────┘ Host：用户直接交互的应用（Claude Desktop、Cursor、Windsurf）Client：Host 应用中管理与特定 Server 通信的组件Server：连接外部系统的桥梁（数据库、API、本地文件等）MCP 的三个核心原语MCP 定义了三种 Server 可以暴露的原语：1. Tools（工具）—— 模型控制可执行的函数，AI 可以调用来执行操作。 { "name": "query_database", "description": "Execute SQL query on the database", "parameters": { "type": "object", "properties": { "sql": { "type": "string" } } } } AI 决定什么时候调用这些工具。比如用户问"这个月的收入是多少"，AI 判断需要查数据库，就会调用 query_database 工具。2. Resources（资源）—— 应用控制数据源，为 AI 提供上下文信息。 { "uri": "file:///Users/project/README.md", "name": "Project README", "mimeType": "text/markdown" } 资源由应用控制何时加载。用户可以通过 @ 引用资源，类似于引用文件。3. Prompts（提示）—— 用户控制预定义的提示模板，帮助结构化与 AI 的交互。 { "name": "code_review", "description": "Review code for bugs and security issues", "arguments": [ { "name": "code", "required": true } ] } 用户显式触发这些提示，类似于 Slash Command。机-会技术大厂，前端-后端-测试，全国均有机-会，感兴趣可以试试。待遇和稳定性都还不错~MCP 与 Function Calling 的关系很多人会问：MCP 和 OpenAI 的 Function Calling、Anthropic 的 Tool Use 有什么区别？Function Calling 是 LLM 的能力——把自然语言转换成结构化的函数调用请求。LLM 本身不执行函数，只是告诉你"应该调用什么函数，参数是什么"。MCP 是在 Function Calling 之上的协议层——它标准化了"函数在哪里、怎么调用、怎么发现"。两者的关系： 用户输入 → LLM (Function Calling) → "需要调用 query_database" ↓ MCP Protocol ↓ MCP Server 执行 ↓ 返回结果给 LLM Function Calling 解决"决定做什么"，MCP 解决"怎么做到"。MCP 的传输方式MCP 支持两种主要的传输方式：传输方式适用场景说明Stdio本地进程Server 在本地机器运行，适合需要系统级访问的工具HTTP/SSE远程服务Server 在远程运行，适合云服务（GitHub、Sentry、Notion）大部分云服务用 HTTP，本地脚本和自定义工具用 Stdio。MCP 的代价MCP 不是免费的午餐，它有明显的成本：1. Token 消耗大每个 MCP Server 都会占用上下文空间。每次对话开始，MCP Client 需要告诉 LLM "你有这些工具可用"，这些工具定义会消耗大量 Token。连接多个 MCP Server 后，光是工具定义可能就占用了上下文窗口的很大一部分。社区观察到："We're seeing a lot of MCP developers even at enterprise build MCP servers that expose way too much, consuming the entire context window and leading to hallucination."2. 需要维护连接MCP Server 是持久连接的外部进程。Server 挂了、网络断了、认证过期了，都会影响 AI 的能力。3. 安全风险Anthropic 官方警告："Use third party MCP servers at your own risk - Anthropic has not verified the correctness or security of all these servers."特别是能获取外部内容的 MCP Server（比如网页抓取），可能带来 prompt injection 风险。MCP 的价值尽管有这些代价，MCP 的价值在于标准化和可复用性：一次实现，到处使用：同一个 GitHub MCP Server 可以在 Claude Desktop、Cursor、Windsurf 中使用动态发现：AI 可以在运行时发现有哪些工具可用，而不是写死在代码里供应商无关：不依赖特定的 LLM 提供商Skill：上下文工程的渐进式公开Skill 是什么Skill（全称 Agent Skill）是 Anthropic 在 2025 年 10 月发布的特性。官方定义："Skills are organized folders of instructions, scripts, and resources that agents can discover and load dynamically to perform better at specific tasks."翻译一下：Skill 是一个文件夹，里面放着指令、脚本和资源，AI 会根据需要自动发现和加载。Skill 在架构层级上和 MCP 不同。用 Anthropic 的话说："Skills are at the prompt/knowledge layer, whereas MCP is at the integration layer."Skill 是"提示/知识层"，MCP 是"集成层"。两者解决不同层面的问题。Skill 的核心设计：渐进式信息公开Skill 最精妙的设计是渐进式信息公开（Progressive Disclosure）。这是 Anthropic 在上下文工程（Context Engineering）领域的重要实践。官方的比喻："Like a well-organized manual that starts with a table of contents, then specific chapters, and finally a detailed appendix."就像一本组织良好的手册：先看目录，再翻到相关章节，最后查阅附录。Skill 分三层加载：Claude 判断相关需要更多信息第 3+ 层：支持文件（深度按需）reference.mdscripts/helper.pytemplates/...第 2 层：核心指令（按需加载）SKILL.md 完整内容通常 < 5k tokens第 1 层：元数据（始终加载）Skill 名称 + 描述约 100 tokens这个设计的好处是什么？传统方式（比如 MCP）在会话开始时就把所有信息加载到上下文。如果你有 10 个 MCP Server，每个暴露 5 个工具，那就是 50 个工具定义——可能消耗数千甚至上万 Token。Skill 的渐进式加载让你可以有几十个 Skill，但同时只加载一两个。上下文效率大幅提升。用官方的话说："This means that the amount of context that can be bundled into a skill is effectively unbounded."理论上，单个 Skill 可以包含无限量的知识——因为只有需要的部分才会被加载。上下文工程：Skill 背后的思想Skill 是 Anthropic "上下文工程"（Context Engineering）理念的产物。官方对此有专门的阐述："At Anthropic, we view context engineering as the natural progression of prompt engineering. Prompt engineering refers to methods for writing and organizing LLM instructions for optimal outcomes. Context engineering refers to the set of strategies for curating and maintaining the optimal set of tokens (information) during LLM inference."简单说：Prompt Engineering：怎么写好提示词Context Engineering：怎么管理上下文窗口里的信息LLM 的上下文窗口是有限的（即使是 200k 窗口，也会被大量信息撑爆）。Context Engineering 的核心问题是：在有限的窗口里，放什么信息能让 AI 表现最好？Skill 的渐进式加载就是 Context Engineering 的具体实践——只加载当前任务需要的信息，让每一个 Token 都发挥最大价值。Skill 的触发机制Skill 是自动触发的，这是它和 Slash Command 的关键区别。工作流程：扫描阶段：Claude 读取所有 Skill 的元数据（名称 + 描述）匹配阶段：将用户请求与 Skill 描述进行语义匹配加载阶段：如果匹配成功，加载完整的 SKILL.md执行阶段：按照 Skill 里的指令执行任务，按需加载支持文件用户不需要显式调用。比如你有一个 code-review Skill，用户说"帮我 review 这段代码"，Claude 会自动匹配并加载。Skill 的本质是什么？技术上，Skill 是一个元工具（Meta-tool）："The Skill tool is a meta-tool that manages all skills. Traditional tools like Read, Bash, or Write execute discrete actions and return immediate results. Skills operate differently—rather than performing actions directly, they inject specialized instructions into the conversation history and dynamically modify Claude's execution environment."Skill 不是执行具体动作，而是注入指令到对话历史中，动态修改 Claude 的执行环境。Skill 的文件结构一个标准的 Skill 长这样： my-skill/ ├── SKILL.md # 必需：元数据 + 主要指令 ├── reference.md # 可选：详细参考文档 ├── examples.md # 可选：使用示例 ├── scripts/ │ └── helper.py # 可选：可执行脚本 └── templates/ └── template.txt # 可选：模板文件 SKILL.md 是核心，必须包含 YAML 格式的元数据： --- name: code-review description: > Review code for bugs, security issues, and style violations. Use when asked to review code, check for bugs, or audit PRs. --- #CodeReviewSkill## Instructions When reviewing code, follow these steps: 1. First check for security vulnerabilities... 2. Then check for performance issues... 3. Finally check for code style... 关键字段：name：Skill 的唯一标识，小写字母 + 数字 + 连字符，最多 64 字符description：描述做什么、什么时候用，最多 1024 字符description 的质量直接决定 Skill 能不能被正确触发。Skill 的安全考虑Skill 有一个潜在的安全问题：Prompt Injection。研究人员发现："Although Agent Skills can be a very useful tool, they are fundamentally insecure since they enable trivially simple prompt injections. Researchers demonstrated how to hide malicious instructions in long Agent Skill files and referenced scripts to exfiltrate sensitive data."因为 Skill 本质上是注入指令，恶意的 Skill 可以在长文件中隐藏恶意指令，窃取敏感数据。应对措施：只使用可信来源的 Skill审查 Skill 中的脚本使用 allowed-tools 限制 Skill 的能力范围 --- name: safe-file-reader description: Read and analyze files without making changes allowed-tools: Read, Grep, Glob # 只允许读操作 --- Skill 的平台支持Agent Skills 目前支持：Claude.ai（Pro、Max、Team、Enterprise）Claude CodeClaude Agent SDKClaude Developer Platform需要注意的是，Skill 目前是 Anthropic 生态专属的，不像 MCP 是跨平台的开放协议。MCP vs Skill：架构层级对比现在我们可以从架构层级来理解两者的区别： ┌─────────────────────────────────────────────────────────┐ │ 用户请求 │ └────────────────────────┬────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 提示/知识层 (Skill) │ │ │ │ Skill 注入专业知识和工作流程 │ │ "怎么做某类任务" │ └────────────────────────┬────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ LLM 推理层 │ │ │ │ Claude / GPT / Gemini 等 │ │ 理解请求，决定需要什么工具 │ └────────────────────────┬────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 集成层 (MCP) │ │ │ │ MCP 连接外部系统 │ │ "能访问什么工具和数据" │ └────────────────────────┬────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────────────┐ │ 外部世界 │ │ │ │ 数据库、API、文件系统、第三方服务 │ └─────────────────────────────────────────────────────────┘ Skill 在上层（知识层），MCP 在下层（集成层）。两者不是替代关系，而是互补关系。你可以：用 MCP 连接 GitHub用 Skill 教 AI 如何按照团队规范做 Code Review详细对比表维度MCPSkill核心作用连接外部系统编码专业知识和方法论架构层级集成层提示/知识层协议基础JSON-RPC 2.0文件系统 + Markdown跨平台是（开放协议，多平台支持）否（目前 Anthropic 生态专属）触发方式持久连接，随时可用基于描述的语义匹配，自动触发Token 消耗高（工具定义持久占用上下文）低（渐进式加载）外部访问可以直接访问外部系统不能直接访问，需要配合 MCP 或内置工具复杂度高（需要理解协议、运行 Server）低（写 Markdown 就行）可复用性高（标准化协议，跨应用复用）中（文件夹，可以 Git 共享）动态发现是（运行时发现可用工具）是（运行时发现可用 Skill）安全考虑外部内容带来 prompt injection 风险Skill 文件本身可能包含恶意指令什么时候用 MCP，什么时候用 Skill用 MCP 的场景需要访问外部数据：数据库查询、API 调用、文件系统访问需要操作外部系统：创建 GitHub Issue、发送 Slack 消息、执行 SQL需要实时信息：监控系统状态、查看日志、搜索引擎结果需要跨平台复用：同一个工具在 Claude Desktop、Cursor、其他支持 MCP 的应用中使用用 Skill 的场景重复性的工作流程：代码审查、文档生成、数据分析公司内部规范：代码风格、提交规范、文档格式需要多步骤的复杂任务：需要详细指导的专业任务团队共享的最佳实践：标准化的操作流程Token 敏感场景：需要大量知识但不想一直占用上下文结合使用很多时候，两者是配合使用的： 用户："Review PR #456 并按照团队规范给出建议" 1. MCP (GitHub) 获取 PR 信息 ↓ 2. Skill (团队代码审查规范) 提供审查方法论 ↓ 3. Claude 按照 Skill 的指令分析代码 ↓ 4. MCP (GitHub) 提交评论 MCP 负责"能访问什么"，Skill 负责"怎么做"。写好 Skill 的关键Skill 能不能被正确触发，90% 取决于 description 写得好不好。差的 description description: Helps with data 太宽泛，Claude 不知道什么时候该用。好的 description description: > Analyze Excel spreadsheets, generate pivot tables, and create charts. Use when working with Excel files (.xlsx), spreadsheets, or tabular data analysis. Triggers on: "analyze spreadsheet", "create pivot table", "Excel chart" 好的 description 应该包含：做什么：具体的能力描述什么时候用：明确的触发场景触发词：用户可能说的关键词最佳实践官方建议：保持专注：一个 Skill 做一件事，避免宽泛的跨域 SkillSKILL.md 控制在 500 行以内：太长的话拆分到支持文件测试触发行为：确认相关请求能触发，不相关请求不会误触发版本控制：记录 Skill 的变更历史关于 Slash Command文章标题是 MCP vs Skill，但很多人也会问到 Slash Command，简单说一下。Slash Command 是最简单的扩展方式——本质上是存储的提示词，用户输入 /命令名 时注入到对话中。Skill vs Slash Command 的关键区别是触发方式：Slash CommandSkill触发方式用户显式输入 /命令Claude 自动匹配用户控制完全控制何时触发无法控制，Claude 决定问自己一个问题：用户是否需要显式控制触发时机？需要 → Slash Command不需要，希望 AI 自动判断 → Skill总结MCP 和 Skill 是 AI Agent 扩展的两种不同哲学：MCPSkill哲学连接主义知识打包问的问题"AI 能访问什么？""AI 知道怎么做什么？"层级集成层知识层Token 策略预加载所有能力按需加载知识记住这句话：MCP connects AI to data; Skills teach AI what to do with that data.MCP 让 AI 能"碰到"数据，Skill 教 AI 怎么"处理"数据。它们不是替代关系，而是互补关系。一个成熟的 AI Agent 系统，两者都需要。参考资源MCP 官方资源Model Context Protocol 官网 - 协议规范、快速入门、Server 开发指南MCP Specification - 完整的协议规范文档Introducing the Model Context Protocol - Anthropic 发布 MCP 的官方博客MCP GitHub Organization - 官方 SDK、示例 Server、参考实现Awesome MCP Servers - 社区维护的 MCP Server 列表Skill 官方资源Claude Code Skills 文档 - Skills 的完整文档Building effective agents - Anthropic 关于 Agent 设计的研究博客Context Engineering Guide - 上下文工程官方指南，理解 Skill 设计哲学的关键跨平台采用OpenAI adds support for MCP - OpenAI 宣布支持 MCPGoogle Gemini MCP Support - Google 宣布 Gemini 支持 MCP延伸阅读Function Calling vs MCP - 理解两者区别Claude Code Documentation - Claude Code 完整文档Prompt Engineering Guide - 提示工程基础，Context Engineering 的前置知识如果你觉得这篇文章有帮助，欢迎关注我的 GitHub，下面是我的一些开源项目：Claude Code Skills（按需加载，意图自动识别，不浪费 token，介绍文章）：code-review-skill - 代码审查技能，覆盖 React 19、Vue 3、TypeScript、Rust 等约 9000 行规则（详细介绍）5-whys-skill - 5 Whys 根因分析，说"找根因"自动激活first-principles-skill - 第一性原理思考，适合架构设计和技术选型全栈项目（适合学习现代技术栈）：prompt-vault - Prompt 管理器，用的都是最新的技术栈，适合用来学习了解最新的前端全栈开发范式：Next.js 15 + React 19 + tRPC 11 + Supabase 全栈示例，clone 下来配个免费 Supabase 就能跑chat_edit - 双模式 AI 应用（聊天+富文本编辑），Vue 3.5 + TypeScript + Vite 5 + Quill 2.0 + IndexedDB——转载自：也无风雨也雾晴
别搞混了！MCP 和 Agent Skill 到底有什么区别？
开源硬件平台
stc 元件库 Poteus 到哪里下载？
嘉立创EDA
STC 元件库 for proteus
嘉立创EDA
2025纸盒年度福利活动大赏
不知道在哪参与纸盒活动？优惠力度不够给力？ 可能是你还没发现这些“🧧隐藏福利🧧”：纸盒免费打样 / 无门槛运费券 / 大额满减券 / 嘉立创定制机械键盘全都有！ 💰小盒精心为你汇总了 2025年度纸盒的8大热门活动，参与方式轻松简单，千万别再错过啦～ 🔥评论有礼 | 分享赢无门槛运费券 👉评论区留言分享“2026年你希望纸盒带来哪些类型的福利活动？”，点赞前5名用户，将赠送纸盒10元无门槛运费券*1。 ☀开奖时间：2026年1月15日上午12：00。 #DIY设计# #技术干货# #2025年度项目秀# #嘉立创纸盒# #纸盒免费打样# #免费领纸盒# #纸箱包装#
嘉立创纸盒
DCDC电源推荐
有没有什么便宜好用的单电源转双电源方案推荐[看]
嘉立创PCB
PCB界面为什么黑了？
版本 :V3.2.69 用一会就没有元器件了，必须关了重开！！！
嘉立创EDA
因为PCB设计走线极限80A电流纯铜箔发热很明显,是否可以在PCB走线覆铜阻焊开窗增加钢网也开窗,在SMT制程增加刷锡膏增加走线厚度,那开窗会是异形和大面积刷锡膏,嘉立创做SMT对钢网额外开窗是否有尺寸要求?
嘉立创SMT
有人拼笔吗
快来帮我拼！立创多人团，低至1元起 https://m.szlcsc.com/user/group-detail/index?groupCode=6gp7y9zkMkhMzg9jxqe13m
立创商城
立创开发板泰山派支持飞牛FnOS系统了！
就在上个月中旬，飞牛FnOS官方开放了Arm版的内测，支持了许多的Arm版设备以及开发板，喜欢折腾、DIY和玩电子的应该对飞牛FnOS系统不陌生了，这是一款让你的设备秒变私人网盘的系统，不只是实现网盘，还是个私人的服务器，目前已有完全适配泰山派开发板的镜像了，大家不妨试试看这个系统，让你吃灰的泰山派重见光芒！@@ 固件更新及开源地址：https://github.com/ophub/fnnas #DIY设计# #立创开发板# #技术干货# #立创泰山派# #飞牛FnOS#
立创开发板
V3.2版本更新后 不支持按嘉立创BOM模板导出？？？
点击导出BOM 无反应！！！
嘉立创EDA
小白求助
这是一个两串的锂电池保护板，R4,R5用于抬高CO,DO电平控制MOS开关，这样连接设计有没有什么影响？ #保护板#
硬创社
工程怎么压缩啊，画着画着一个工程100多兆了
嘉立创EDA
社区数据
今日帖子
-
今日互动量
-
在线人数
-
帖子总量
-
用户总量
-
推荐话题 换一批
#DIY设计#
#嘉立创PCB#
#嘉立创3D打印#
#嘉立创免费3D打印#
#2025年度项目秀#
#ESP8266/32#
#技术干货#
#2025年度踩坑日记#
查看更多热门话题
功能讨论
（）
主题
打赏记录
激励规则
服务时间：周一至周六 9::00-18:00 · 联系地址：中国·深圳（福田区商报路奥林匹克大厦27楼） · 媒体沟通：pr@jlc.com · 集团介绍
移动社区
联系我们