X Workshop｜量測自動化 × 嵌入式 × AI 開發實戰

2026 年 11 月｜實作筆記｜KiCad 10 × Claude Code × KiCad MCP 伺服器 這篇記錄我第一次用 AI 從零做出一塊電路板的完整過程：安裝軟體、讓 AI 連上 KiCad、畫原理圖、選嘉立創料號、電路板佈局，最後輸出可以直接下單的打樣與貼片檔。全程大約半天。 練習題目刻意選得很簡單： 一塊 USB Type-C 供電、經 3.3V 穩壓、點亮一顆 LED 的小板 。電路簡單，才能把注意力放在「AI 能做到哪裡、人要在哪裡把關」。 先講結論 ・AI 可以完成原理圖、選料、佈局、設計規則檢查與製造檔輸出，品質超出我的預期。 ・每一步都建議用 KiCad 官方的命令列工具 kicad-cli 另外驗證，不要只看 AI 的回報。 ・極性、腳位、貼片方向這類會讓板子直接報廢的地方，最後一定要人工對照規格書。 一、需要哪些工具 類別 工具 用途 電路設計軟體 KiCad（免費開源） 原理圖與電路板佈局，AI 的操作對象 AI 代理 Claude Code 在終端機裡執行，負責規劃與操作 橋接工具 KiCad MCP 伺服器 讓 AI 能直接操作 KiCad，並查詢嘉立創元件庫 執行環境 Node.js（長期支援版）、Git MCP 伺服器執行與下載所需 MCP（Model Context Protocol，模型上下文協定）是讓 AI 呼叫外部工具的標準。KiCad 的 MCP 伺服器有好幾個版本，我用的是 Avinash1286 維護的分支，可以直接以 Claude Code 外掛安裝，並整合嘉立創超過 250 萬筆元件資料，對常在嘉立創打樣的人很方便。 二、安裝與設定 1. 安裝 KiCad 到官方網站 https://www.kicad.org/download/ 下載，我裝的是 KiCad 10.0。第一次開啟時右下角會顯示「載入符號庫」，等它跑完再關閉。 2. 確認 Node.js、Git 與 Claude Code 版本 node -v git --version claude update 3. 安裝 KiCad MCP 外掛 在 Claude Code 裡依序輸入： /plugin marketplace add Avinash1286/KiCAD-MCP...

在 Hermes Agent 中安裝 n8n Skills 與 MCP 完整教學 這篇教學會帶你完成以下事項： 了解 Hermes Agent 的 Skills 與 MCP 分別是什麼 如何在 Hermes 中安裝 n8n 相關 Skills 如何在 Hermes 中接上 n8n 的 MCP Server 安裝完成後的測試與排錯方法 本文適合已經裝好 Hermes Agent 且想讓 Hermes 能夠操控 n8n 的使用者。 一、Skills 與 MCP 是什麼？ 1.1 Hermes Skills Skills 是 Hermes Agent 的 可重用知識包 。當 Hermes 學會了某個工作流程（例如如何部署 n8n、如何寫 n8n expression），就會把這些經驗寫進 Skill 檔案。下次遇到相同任務時，Hermes 會自動加載這些 Skill，不需要重新說明。 舉例： n8n-self-hosting — 自訂部署 n8n 的完整流程 n8n-workflow-patterns — 常見 workflow 架構設計模式 n8n-code-javascript / n8n-code-python — 在 n8n Code Node 中寫 JS/Python n8n-error-handling — 排錯和錯誤處理 1.2 MCP（Model Context Protocol） MCP 是 Anthropic 推出的開放協議，讓 LLM 可以通過標準化方式連接外部工具。在 Hermes 中，MCP 服務可以提供額外的工具給 Hermes 使用，例如操控 n8n 、查詢資料庫、控制檢視器。 簡單說： Skills = Hermes 腦袋裡的知識 MCP = Hermes 可以呼叫的外掛工具 建議 ：如果你主要想讓 Hermes 幫你"設計 n8n workflow"或"排錯 n8n"，先裝 Skills；如果想讓 Hermes "直接執行 n8n workflow"或"提取 n8n 資料"，就接 MCP。 二、安裝前準備 在開始之前，請確認：...

如果你需要一個 24 小時運作的自動化平台，n8n 是非常好的選擇。搭配 Oracle Cloud Free Tier 的永久免費 VM，可以不花錢擁有一台專屬的 n8n 伺服器。這篇文章會帶你從開 Oracle Cloud 帳號、建立 VM、安裝 Docker，到用 docker-compose 啟動 n8n 並綁上自己的網域。 為什麼選 Oracle Cloud Free Tier？ 市面上免費主機很多，但大多有試用期或會休眠： AWS EC2 / Azure VM：只有試用期，到期後沒有永久免費 VM Render：免費版一段時間沒人上線會「睡著」，冷啟動約 1 分鐘 GCP Free Tier：永久免費，但只能開在美國區域 Oracle Cloud 的永久免費方案目前給得最慷慨： 資源 規格 AMD Micro VM 最多 2 台，1/8 OCPU + 1 GB RAM ARM Ampere A1 VM 相當於 2 OCPU + 12 GB RAM（全月運行） Block Storage 200 GB 總計 Object Storage 20 GB 網路 對外約 50 Mbps 對於個人使用的 n8n 來說，ARM 那台 2C/12G 已經很夠用，可以同時跑 n8n、PostgreSQL、甚至其他小服務。 更新： Oracle 於 2026 年 8 月 18 日起調整了 Always Free Ampere A1 的資源上限，從原本的 4 OCPU / 24 GB RAM 調整為 2 OCPU / 12 GB RAM 。若你之前看過其他教學寫 4C/24G，請以本文為準。 注意：Oracle Cloud 的免費資源必須建在帳號的 home region。如果連續 7 天 CPU、網路、記憶體使用率都低於 20%，Oracle 可能會回收資源，所以記得讓 n8n 定期執行 workflow。 事前準備 一個 Oracle Cloud 帳號（需要信用卡驗證，但不會自動扣款） 一個自己的網域（例如 your-domai...

上一篇〈實戰（一）〉已經讓 Jetson Orin Nano 用 PyTorch GPU 跑 YOLOv8n，推論約 17 ms、畫面約 30 FPS。這篇要把模型轉成 NVIDIA 的 TensorRT engine ，再用一支專門跑 TensorRT 的 server01.py 執行。 實測結果： 推論時間從 17.4 ms 降到 3.6 ms，約快 4.8 倍 ，偵測結果幾乎一樣。 匯出 TensorRT 的過程有幾個地方很容易讓人以為「當掉了」或「裝不起來」。以下照 正確順序 寫，第一次就能成功。 前置條件 已完成〈實戰（一）〉：相機正常、 torch.cuda.is_available() 為 True 、 server.py 能夠執行。 本文環境：Jetson Orin Nano 8GB（Super）、JetPack 6.2（TensorRT 10.3.0）、Python 3.10、IMX219 相機。 先看重點：三個最容易走錯的地方 先手動裝好 ONNX 相關套件 ：PyPI 上沒有 Jetson 版的 onnxruntime-gpu 。如果讓 ultralytics 在匯出時自動安裝，整批安裝會失敗，連 onnx 都沒裝上。→ 步驟 1 匯出時有好幾分鐘沒有任何輸出，這是正常的 ：不要以為當掉就中斷它；另外要先開全速，並釋放記憶體。→ 步驟 2、3 確認跑的真的是 TensorRT ： server.py 找不到 engine 時，會默默改用 .pt 。所以這篇用只載入 engine 的 server01.py 。→ 步驟 4 步驟 1：安裝 ONNX 相關套件（匯出前先裝） pip3 install onnx onnxslim "numpy<2" pip3 install https://github.com/ultralytics/assets/releases/download/v0.0.0/onnxruntime_gpu-1.23.0-cp310-cp310-linux_aarch64.whl onnxruntime-gpu 的 Jetson 版 wheel 取自 Ultralytics 官方 Jetson 指南 。安裝 onnx 時 numpy 可...