<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[C411887021的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/C411887021</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; C411887021]]></copyright><item><title><![CDATA[AI 产品开发全流程（下）：从代码到上线——Phase 3~5 实现与验证全链路]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/163277192</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/163277192</guid><author>C411887021</author><pubDate>Tue, 28 Jul 2026 16:47:29 +0800</pubDate><description><![CDATA[本文是「AI产品设计开发方法论」系列的第二篇（下），聚焦如何将PRD转化为生产级代码并验证设计还原度。文章以QoderWork和Qoder IDE为例，演示了完整开发链路，核心内容包括： 实现阶段：提出双路径开发方案 路径A（独立应用）：适合完整产品开发，详述技术栈选型原则和AI引擎架构（LLM调用/向量检索/混合引擎） 路径B（IDE扩展）：适合快速原型，强调在现有工作流嵌入AI能力 推荐将领域知识封装为可复用的自定义Skill 打磨阶段：五大维度提升质量 设计走查：自动对比设计标准 无障碍审计：满足WC]]></description><category></category></item><item><title><![CDATA[AI 产品开发全流程（上）：从想法到设计稿——Phase 0~2 实操指南（附 Prompt 模板）]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/163137647</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/163137647</guid><author>C411887021</author><pubDate>Tue, 28 Jul 2026 14:03:27 +0800</pubDate><description><![CDATA[文章摘要：本文介绍了AI产品开发的完整流程方法论，分为6个阶段（Phase 0-5），涵盖从模糊想法到生产级应用落地的全链路。上篇重点讲解Phase 0-2的设计阶段，包括产品探索（脑暴、竞品分析、用户研究）、需求定义（设计简报、用户故事）和详细设计（PRD、交互流程、异常态处理）。通过QoderWork和Qoder IDE的工具组合，实现设计与开发的高效协同，强调“发散-收敛”的迭代节奏。下篇将延续Phase 3-5，展示代码实现、打磨验证的闭环路径。该方法论适配个人或小团队，提供可复用的Prompt模板]]></description><category></category></item><item><title><![CDATA[AI产品应用开发教程——开发工具的选择]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/163134569</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/163134569</guid><author>C411887021</author><pubDate>Thu, 23 Jul 2026 16:09:07 +0800</pubDate><description><![CDATA[本文是「AI 产品设计开发方法论」专栏的开篇，聚焦AI产品开发工具的选择问题。文章系统梳理了主流AI开发工具，包括AI编码IDE（如Cursor、Windsurf、Copilot等）、全栈构建器、设计工具和部署平台，并分析各自的优劣势。通过拆解AI产品开发全流程（构思→原型→实现→部署→迭代），作者提供了不同场景下的选型建议和决策框架，最后推荐了四种典型场景的工具组合。文章强调工具选择对项目技术路线的影响，帮助开发者避免因工具不当导致的效率损失。]]></description><category></category></item><item><title><![CDATA[车端AI(四)——车载SOC/MCU端到端AI开发 20+款产品整理分享]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/163050373</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/163050373</guid><author>C411887021</author><pubDate>Wed, 22 Jul 2026 17:25:20 +0800</pubDate><description><![CDATA[本文对20+款汽车电子嵌入式AI开发工具进行了系统评测，涵盖四大类产品：嵌入式垂直AI Agent、通用Agent+嵌入式扩展、芯片原厂一站式AI工作台、通用AI编程工具。通过八大能力维度（硬件感知、端到端闭环、芯片覆盖、安全合规、验证闭环、调试诊断、开发效率、国产适配）的量化评估，构建了汽车行业适配性热力矩阵。研究发现，当前Embedder、鹊石智能Banma等垂直Agent在车规级开发场景表现突出，而国产芯片厂商的工具链正加速AI化转型。]]></description><category></category></item><item><title><![CDATA[车端AI(三)——嵌入式AI全栈开发(MCU)：从需求到代码实现、自动HIL测试]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/162263359</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/162263359</guid><author>C411887021</author><pubDate>Wed, 24 Jun 2026 15:06:28 +0800</pubDate><description><![CDATA[本文介绍了车端AI系列第三篇，聚焦嵌入式AI全栈开发平台思路。文章首先分析了嵌入式开发存在的三大痛点：反馈回路长（相比Web开发长两个数量级）、工具链碎片化、知识碎片化导致新人上手难。针对这些问题，设计一种方案通过统一驱动抽象层、AI工作流引擎、RAG知识库等核心组件，构建了从需求到代码实现、自动HIL测试的完整闭环。 关键创新包括：DriverRegistry实现嵌入式驱动的"万能插座"；AI工作流引擎将开发流程标准化为7个阶段；采用"精确补丁"而非整文件重写的AI代码生成]]></description><category></category></item><item><title><![CDATA[车端AI(二)——AI应用搭建 · 实战企业级ASPICE需求管理]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/162045886</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/162045886</guid><author>C411887021</author><pubDate>Fri, 19 Jun 2026 19:31:57 +0800</pubDate><description><![CDATA[本文介绍了如何搭建一个AI驱动的车端需求管理平台，以解决传统需求管理工具在规模、跨域耦合和频繁变更方面的痛点。平台采用React+FastAPI技术栈，核心AI模块包括需求解析引擎、需求分配器、变更影响分析和质量度量引擎，覆盖从需求采集到审核交付的全流程。通过结构化数据建模和多LLM供应商支持，平台实现了需求自动分解、一致性校验、变更影响预测和五维度质量评分，显著提升效率并降低ASPICE审核风险。文章还分享了架构设计、数据模型和核心算法实现，为车端AI需求管理提供了一套可落地的工程解决方案。]]></description><category></category></item><item><title><![CDATA[车端AI(一)——AI系统工程师：遵循ASPICEAI管理车端系统需求]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/162016401</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/162016401</guid><author>C411887021</author><pubDate>Mon, 15 Jun 2026 23:47:43 +0800</pubDate><description><![CDATA[本文探讨了车端AI需求管理的变革需求与实践方法。文章指出传统人工管理方式难以应对车端AI需求的规模爆炸、跨域耦合和频繁变更三大痛点，提出基于ASPICE流程构建AI驱动的全生命周期需求管理体系。主要内容包括：1）分析ASPICE与车端AI的映射关系，明确需求层级划分；2）详细阐述车端AI系统需求分析的四步法：定义运行设计域、功能需求分解、非功能需求分析和需求优先级分配；3）展示需求到技术方案的映射方法；4）介绍AI在需求采集、分配、变更管理等环节的具体应用。文章通过流程图和结构化代码示例，为车端AI需求管理]]></description><category></category></item><item><title><![CDATA[车端AI：从端到端到量产，汽车智能化的技术全景]]></title><link>https://blog.youkuaiyun.com/C411887021/article/details/162015644</link><guid>https://blog.youkuaiyun.com/C411887021/article/details/162015644</guid><author>C411887021</author><pubDate>Mon, 15 Jun 2026 23:04:33 +0800</pubDate><description><![CDATA[车端AI技术全景摘要 汽车行业正经历从电动化向智能化转型的关键阶段，车端AI技术成为推动汽车进化为"智能终端"的核心驱动力。本文系统梳理了车端AI的四层技术架构： 芯片层：NVIDIA Orin/Thor、高通Snapdragon Ride等地平线等AI芯片提供254-2000 TOPS算力，但内存带宽和数据搬运效率是实际瓶颈。 感知层：经历了从2D检测到BEV多传感器融合，再到Occupancy Network的三代演进，实现从"识别物体"到"理解空间"的质变。 决策规划层：端到端模型与规则混合方案的路线]]></description><category></category></item></channel></rss>