LobeHub深度解析：从碎片化AI到人机协作的范式革命

优质文章学习记录

— 21 min read
在AI工具爆炸式增长的今天，我们的工作流却陷入了新的碎片化困境。LobeHub试图通过多智能体协作、MCP协议和个人记忆系统，构建一个让人类与智能体共同进化的工作空间。本文将从技术架构、实际应用、成本效益三个维度，为您全面解析这个GitHub星标71,800+的明星项目。

目录

痛点诊断：我们为什么需要一个"协作空间"？

碎片化困境

想象一下你的日常工作场景：

  • 早上，你打开ChatGPT写一份报告，但需要一些最新数据
  • 中午，你切换到Claude生成代码，但又要重新描述项目背景
  • 下午，你用Midjourney生成图片，但AI不理解你的设计风格
  • 晚上，你需要整理文档，却找不到之前的对话记录

每个AI工具都很强大，但它们生活在不同的"孤岛"里。你需要在多个标签页之间来回切换，重复描述相同的信息，像一个疲惫的"调度员"，而不是高效的工作者。

这不是你的问题，这是工具设计的问题。

LobeHub的愿景

LobeHub试图彻底改变这一现状。它不再提供一个个孤立的AI工具，而是构建一个让人类与智能体共同进化的基础设施。

在这个空间里：

  • 智能体就像团队成员：你有负责写作的Agent、负责编程的Agent、负责设计的Agent
  • 记忆系统持续学习：AI理解你的工作习惯，不需要重复说明
  • 协作网络自动扩展：智能体之间可以共享信息，自动协调工作

根据GitHub数据，LobeHub已经获得了超过71,800个星标和14,600个分支。这种热度背后，是社区对"人机协同"新范式的强烈期待。

技术架构：LobeHub的底层创新

在这里插入图片描述

四层架构设计

LobeHub采用清晰的四层架构，各层职责明确：

客户端层：无缝体验
  • Web应用：支持PWA安装，跨平台使用
  • 桌面应用：基于Electron，提供专注的本地体验
  • 移动端：适配各种屏幕尺寸
前端应用层：现代技术栈
  • 框架：Next.js 16 + React 19
  • UI组件：Ant Design + 自研LobeUI AIGC组件库
  • 状态管理：Zustand轻量级状态管理
  • 数据请求：SWR专注于远程数据同步
  • 国际化：i18next支持多语言
API服务层：灵活扩展
  • Edge Runtime API：处理AI会话核心逻辑，利用边缘计算降低延迟
  • tRPC API：端到端类型安全，自动生成TypeScript类型
  • 认证服务：集成Better Auth，支持OAuth、邮箱登录、多因素认证
  • MCP客户端：实现Model Context Protocol，支持STDIO、HTTP、SSE三种传输方式
核心业务层：智能大脑
  • Agent运行时：管理智能体生命周期，协调多智能体协作
  • Agent Builder：自然语言描述创建智能体
  • Agent Groups：智能体团队协作系统
  • 个人记忆系统：白盒设计，用户完全可控
  • 上下文引擎：管理对话上下文，支持跨智能体共享

核心技术突破

1. MCP协议：连接AI与世界的桥梁

**MCP（Model Context Protocol）**是LobeHub最具创新性的技术之一。这是一个标准化协议，允许AI应用与外部能力进行通信。

为什么MCP很重要？

  • 标准化接口：一次开发，多平台使用
  • 生态开放：10,000+技能插件可供选择
  • 安全可控：明确的权限边界和访问控制

三种传输层支持：

  1. 标准I/O (STDIO)：高性能本地通信，适合桌面应用
  2. Streamable HTTP：跨平台兼容，适合Web应用
  3. Server-Sent Events (SSE)：实时HTTP流传输，适合实时更新场景

实际应用示例：

// MCP插件调用示例{"mcp_server":"weather-gpt","tools":["get_current_weather","get_forecast"],"resources":["historical_data"],"prompts":["weather_analysis_template"]}
2. 多智能体协作：构建你的AI团队

LobeHub引入了Agent Groups功能，让智能体像真实团队成员一样协作。
核心功能模块：

  • Pages（页面）：共享上下文的内容协作环境
    • 多个智能体同时编辑同一文档
    • 实时看到彼此的修改
    • 自动解决冲突
  • Schedule（日程）：自动化任务执行
    • 定期生成周报
    • 每日监控市场动态
    • 定时更新知识库
  • Project（项目）：结构化项目管理
    • 项目级别的权限控制
    • 项目特定的智能体配置
    • 项目范围的文件和知识库
  • Workspace（工作区）：团队协作空间
    • 团队级别的智能体库
    • 统一的Agent Marketplace
    • 共享的插件配置

协作流程示例：

用户提交任务 ↓ Agent Group 分析任务 ↓ 智能体A：收集数据 ←───┐ 智能体B：分析趋势 ←───┤ 并行工作 智能体C：生成图表 ←───┘ ↓ 结果汇总与整合 ↓ 生成最终输出 ↓ 用户反馈与优化
3. 个人记忆系统：AI的学习与进化

LobeHub的个人记忆系统采用创新的**“白盒记忆”**设计，与传统AI系统的"黑箱记忆"形成鲜明对比。

传统黑箱记忆的问题：

  • ❌ 不透明：用户不知道AI记住了什么
  • ❌ 不可控：用户无法编辑或删除记忆
  • ❌ 全局化：所有对话共享同一记忆，容易混淆
  • ❌ 浅层化：记忆往往是简单的文本片段，缺乏结构

LobeHub白盒记忆的优势：

  • ✅ 透明性：用户可以查看智能体记忆的所有内容
  • ✅ 可控性：用户可以编辑、删除特定记忆条目
  • ✅ 结构化：记忆以结构化方式组织，支持标签、分类和搜索
  • ✅ 个性化：每个智能体有独立的记忆，支持用户级别偏好

实际应用示例：

## 我的写作智能体记忆 ### 用户偏好 - 偏好简洁的商务风格 - 避免使用过于口语化的表达 - 重视数据支撑和案例分析 ### 工作习惯 - 通常在上午9-11点处理重要文档 - 周五下午不安排紧急任务 - 习惯先列大纲再写作 ### 项目知识 - 当前项目：2024年市场分析报告 - 目标受众：企业决策者 - 关键数据源：第三方市场调研报告
4. 思维链可视化：AI推理透明化

LobeHub的**Chain of Thought (CoT)**功能提供了前所未有的AI推理透明度。

CoT的价值：

  • 推理过程透明：用户可以看到AI的完整推理链
  • 步骤可追踪：每个推理步骤都被清晰展示
  • 错误可定位：如果结果有误，可以追溯到具体步骤
  • 学习价值：用户可以从AI的推理过程中学习

CoT在LobeHub中的实现：

  • 实时展示：推理过程实时展示，不是事后整理
  • 交互式：用户可以与特定推理步骤交互
  • 多层级：支持不同详细程度的推理展示
  • 可导出：推理链可以导出为文档分享
5. Artifacts支持：实时内容生成

Artifacts是LobeHub的另一项创新功能，允许AI实时生成和可视化各种内容格式。

支持的内容类型：

  1. SVG图形：数据可视化图表、流程图、架构图
  2. HTML页面：交互式原型、小型Web应用、数据仪表板
  3. 专业文档：Markdown文档、PDF报告、演示文稿

Artifacts的工作流程：

AI生成内容描述 ↓ 系统渲染Artifacts ↓ 用户实时查看和交互 ↓ 根据反馈迭代优化 ↓ 最终导出为独立文件

实际应用：LobeHub能为你做什么？

场景一：软件开发团队的效率革命

传统开发流程的痛点：

  • 需求分析、架构设计、编码、测试、文档写作需要不同的人
  • 沟通成本高，信息传递容易失真
  • 重复性工作多，开发效率低

使用LobeHub的智能开发团队：

完整开发生命周期
  1. 需求分析智能体
    • 解析用户需求
    • 生成详细规格说明
    • 识别关键功能点
  2. 架构设计智能体
    • 设计系统架构
    • 规划模块划分
    • 选择技术栈
  3. 代码生成智能体
    • 根据规格生成代码
    • 遵循最佳实践
    • 添加必要注释
  4. 测试智能体
    • 自动生成测试用例
    • 执行单元测试
    • 进行集成测试
  5. 文档智能体
    • 生成API文档
    • 编写使用指南
    • 创建架构图
  6. Code Review智能体
    • 审查代码质量
    • 识别潜在问题
    • 提供改进建议

实际效益：

  • 开发速度提升300%：多个智能体并行工作
  • 代码质量提高：专门的智能体负责不同方面
  • 知识积累：项目经验和模式被记录和复用
  • 一致性保证：统一的代码风格和架构模式

真实案例：
某科技公司引入LobeHub后，一个原本需要3个月完成的中型项目，在使用智能体团队后，仅需1个月就完成了，而且代码质量和文档完整度都达到了生产标准。

场景二：内容创作者的AI团队

内容生产流程的挑战：

  • 研究需要时间，但信息更新快
  • 写作需要创意，但也需要结构
  • 发布需要时机，但难以持续产出

使用LobeHub的内容团队：

端到端内容生产
  1. 研究智能体
    • 收集相关主题的最新信息
    • 分析行业趋势
    • 识别目标受众需求
  2. 大纲智能体
    • 创建内容大纲
    • 规划文章结构
    • 确定关键信息点
  3. 写作智能体
    • 根据大纲生成初稿
    • 保持品牌语调
    • 优化可读性
  4. 编辑智能体
    • 检查语法和拼写
    • 优化表达方式
    • 提升内容深度
  5. SEO智能体
    • 优化关键词
    • 改善标题和元描述
    • 提升搜索排名
  6. 设计智能体
    • 创建配图
    • 生成信息图
    • 设计视觉元素
  7. 分发智能体
    • 发布到各个平台
    • 优化发布时间
    • 跟踪表现数据

实际效益：

  • 生产效率提升500%：自动化大部分内容生产流程
  • 保持一致性：统一的品牌形象和内容风格
  • 数据驱动：基于数据分析优化内容策略
  • 规模化生产：同时管理多个内容项目

真实案例：
一位个人博主通过LobeHub的内容团队，从每周只能产出1篇文章，提升到每周产出5篇高质量内容，而且内容质量和搜索排名都显著提升。

场景三：研究人员的智能助手

研究工作的挑战：

  • 文献数量庞大，筛选困难
  • 数据分析复杂，工具繁多
  • 写作耗时，格式要求严格

使用LobeHub的研究团队：

研究工作流
  1. 文献智能体
    • 搜索相关研究文献
    • 筛选高质量论文
    • 提取关键发现
  2. 分析智能体
    • 综合研究发现
    • 识别研究趋势
    • 发现研究空白
  3. 方法设计智能体
    • 协助设计实验
    • 选择研究方法
    • 规划数据收集
  4. 数据分析智能体
    • 处理实验数据
    • 执行统计分析
    • 生成可视化图表
  5. 写作智能体
    • 协助撰写论文
    • 格式化参考文献
    • 优化学术表达
  6. 评审智能体
    • 模拟同行评审
    • 识别潜在问题
    • 提供改进建议

实际效益：

  • 研究效率提升200%：自动化繁琐的研究任务
  • 研究质量提高：多维度的分析和支持
  • 知识发现加速：快速处理大量文献
  • 跨学科协作：连接不同领域的知识

真实案例：
一位博士研究生使用LobeHub的研究团队，将原本需要6个月的文献综述工作压缩到2个月完成，而且发现了一些之前被忽视的研究方向。

场景四：企业组织的AI转型

企业AI应用的挑战：

  • 工具分散，难以管理
  • 数据安全，风险控制
  • 员工培训，上手困难

使用LobeHub的企业方案：

企业级特性
  1. 多用户管理
    • 基于角色的访问控制
    • 统一的认证和授权
    • 活动日志和审计
  2. 数据安全
    • 本地数据库选项
    • 端到端加密
    • 合规性支持
  3. 知识库
    • 企业文档上传
    • 部门特定配置
    • 权限隔离
  4. 智能体库
    • 企业定制智能体
    • 业务流程自动化
    • 最佳实践共享

实际效益：

  • 部署时间短：1-2周即可上线
  • 员工上手快：直观界面，无需培训
  • ROI明显：3-6个月收回成本
  • 持续优化：智能体持续学习企业知识

真实案例：
一家咨询公司引入LobeHub后，将原本需要3天完成的市场分析报告压缩到1天完成，而且报告质量更加专业和全面。

成本效益分析：为什么要选择LobeHub？

与单一AI工具的对比

成本对比（月度）
工具功能月成本限制
ChatGPT Plus对话、写作$203小时50条消息限制
Claude Pro对话、写作$20使用限制严格
Midjourney图像生成$10-30仅图像功能
GitHub Copilot代码辅助$10仅代码功能
总计多个工具$40-80功能分散，无法协作
LobeHub所有功能API成本无使用限制，智能体协作
效率对比
任务类型传统方式LobeHub方式效率提升
生成市场分析报告3天4小时18倍
代码开发+测试2周3天4.7倍
内容生产（5篇文章）5天1天5倍
文献综述6个月2个月3倍

与竞品平台的差异

特性LobeHubPoeChatGPT优势
多模型支持✅ 10+模型✅ 多模型❌ 单一模型选择自由，避免锁定
智能体协作✅ Agent Groups❌ 无❌ 无唯一多智能体协作
个人记忆✅ 白盒可控❌ 无❌ 黑盒不可控透明可控
MCP协议✅ 原生支持❌ 无❌ 无开放生态
本地部署✅ Docker/PWA❌ 仅云端❌ 仅云端数据主权
开源✅ Apache 2.0❌ 闭源❌ 闭源可定制，无厂商锁定
插件系统✅ 10,000+插件✅ 有限✅ 插件生态最丰富
文件上传✅ 知识库✅ 有✅ 有支持知识库

ROI计算：投入产出比分析

小型团队（5-10人）

投入成本：

  • 部署成本：$0（免费使用）或 $20/月（Vercel部署）
  • API成本：$50-200/月（根据使用量）
  • 总成本：$50-220/月

产出效益：

  • 效率提升：每人每月节省20小时
  • 时薪成本：$30/小时
  • 节省成本：5人 × 20小时 × $30 = $3,000/月

ROI： ($3,000 - $220) / $220 = 1263%

中型企业（50-100人）

投入成本：

  • 部署成本：$100-300/月（专业版）
  • API成本：$500-2,000/月
  • 总成本：$600-2,300/月

产出效益：

  • 效率提升：每人每月节省15小时
  • 时薪成本：$40/小时
  • 节省成本：50人 × 15小时 × $40 = $30,000/月

ROI： ($30,000 - $2,300) / $2,300 = 1204%

个人用户

投入成本：

  • 部署成本：$0（本地部署）
  • API成本：$10-50/月

产出效益：

  • 时间节省：每月节省40小时
  • 时薪价值：$50/小时（自由职业者）
  • 节省成本：40小时 × $50 = $2,000/月

ROI： ($2,000 - $50) / $50 = 3900%

快速上手：5分钟部署你的AI团队

方案一：Vercel一键部署（推荐新手）

  1. 准备API Key
    • 访问 https://platform.openai.com/api-keys
    • 创建新的API密钥
    • 复制密钥备用
  2. 点击部署
    • 点击LobeHub README中的"Deploy with Vercel"按钮
    • 使用GitHub账号登录Vercel
    • 在环境变量中填入OPENAI_API_KEY
  3. 开始使用
    • 等待1-2分钟部署完成
    • 访问生成的URL
    • 开始创建你的第一个Agent

方案二：Docker本地部署（推荐隐私用户）

# 1. 创建存储目录mkdir lobe-chat-db &&cd lobe-chat-db # 2. 下载配置文件bash<(curl -fsSL https://lobe.li/setup.sh) -l zh_CN # 3. 启动服务docker compose up -d # 4. 访问服务# 打开浏览器访问 http://localhost:3210

方案三：PWA安装（推荐移动用户）

  1. 使用Chrome或Edge浏览器访问 https://lobehub.com
  2. 点击地址栏右上角的"安装"图标
  3. 按照提示完成安装
  4. 就像使用原生App一样使用LobeHub

未来展望：人机协作的新范式

核心价值主张

LobeHub的核心价值可以概括为三个层面：

1. 创建：构建你的AI团队
  • 通过Agent Builder轻松创建个性化智能体
  • 从505+个预设智能体中选择和组合
  • 连接10,000+个技能和MCP插件
  • 支持统一访问任何模型和模态
2. 协作：新型协作网络
  • 创建Agent Groups，让智能体像团队成员一样协作
  • 在Pages中与多个智能体共享上下文
  • 通过Schedule安排智能体自动执行任务
  • 按Project组织工作，保持结构化管理
3. 进化：与你共同成长
  • 个人记忆系统持续学习你的工作方式
  • 白盒记忆给你完全的控制权
  • 智能体随时间调整行为，提供个性化服务
  • 人机共同进化，形成独特的协作模式

对未来的影响

工作方式的重新定义

从工具使用到团队协作：我们不再需要掌握所有技能，而是需要学会如何有效地与智能体团队协作。

从个人能力到组织能力：通过智能体，个人可以调用团队级别的能力，实现超个人的生产力。

从静态技能到动态学习：技能不再是固定的，而是可以通过智能体动态获取和组合的。

组织形态的演变

更灵活的组织结构：智能体可以作为"数字员工"，随时加入或离开团队。

跨地域无缝协作：智能体不受地域限制，实现真正的全球协作。

24/7生产力：智能体可以不间断工作，实现持续的产出。

教育和学习的变化

从知识记忆到知识获取：重点不再是记住知识，而是知道如何找到和利用知识。

个性化学习路径：智能体可以根据个人的学习进度和风格，提供个性化的学习体验。

终身学习伙伴：智能体可以陪伴个人终身学习和成长。

常见问题解答

Q1: LobeHub是免费的吗？

A: LobeHub本身是开源免费的，你可以免费使用、修改和分发。但你仍然需要支付底层AI模型的API费用。不过相比使用多个付费AI工具，LobeHub的成本要低得多。

Q2: 我需要编程知识才能使用LobeHub吗？

A: 不需要。LobeHub提供了直观的图形界面，普通用户也可以轻松创建和使用智能体。如果你想进行高级定制或部署，有一些技术基础会更好。

Q3: LobeHub支持哪些AI模型？

A: LobeHub支持10+个主流模型提供商，包括：

  • OpenAI (GPT-4, GPT-4o, GPT-4o Mini)
  • Anthropic (Claude 3.5 Sonnet, Claude 3 Opus)
  • Google (Gemini Pro, Gemini Ultra)
  • DeepSeek (DeepSeek V3)
  • 以及本地模型（通过Ollama）

Q4: 我的隐私数据安全吗？

A: LobeHub非常重视隐私安全：

  • 本地选项：你可以选择完全本地部署，数据不离开你的设备
  • 开源透明：代码完全开源，可以自行审查
  • 加密传输：所有数据传输都经过加密
  • 可控记忆：你可以完全控制AI记住的内容

Q5: LobeHub与ChatGPT有什么区别？

A: 主要区别包括：

  • 多智能体协作：LobeHub可以协调多个智能体一起工作
  • 个人记忆系统：AI能持续学习你的工作习惯
  • MCP插件生态：10,000+插件扩展能力
  • 本地部署：可以完全离线使用
  • 开源：可以自由定制和扩展

Q6: 如何开始使用LobeHub？

A: 最简单的方式是：

  1. 访问 https://lobehub.com
  2. 点击"Get Started"按钮
  3. 或者按照本文"快速上手"部分的步骤部署自己的实例

Q7: 企业用户有哪些特殊功能？

A: 企业版包括：

  • 多用户管理和权限控制
  • 企业级数据安全
  • 统一的认证和单点登录
  • 活动日志和审计
  • 优先技术支持
  • 定制化部署选项

Q8: LobeHub适合哪些人使用？

A: LobeHub适合几乎所有需要AI辅助的用户：

  • 开发者：代码生成、测试、文档
  • 内容创作者：写作、设计、SEO
  • 研究人员：文献分析、数据处理
  • 企业用户：流程自动化、知识管理
  • 学生：学习辅导、作业辅助
  • 自由职业者：提升工作效率

结语

在这个由人类与智能体共同进化的网络中，工作的形态可能会被重新定义。我们不再需要记住所有知识，而是需要学会如何有效地与智能体团队协作；我们不再需要掌握所有技能，而是需要能够组织智能体完成复杂任务。

LobeHub的出现，或许正是这个新时代的开始。它的71,800个星标，不仅代表了社区的认可，更代表了人们对这种未来工作方式的热切期待。

正如LobeHub的口号所说：

“The ultimate space for work and life — to find, build, and collaborate with agent teammates that grow with you.”

这不仅仅是一个工具，更是一个工作与生活空间，一个寻找、构建并与和你一同成长的AI智能体队友协作的终极空间。

参考资源

官方资源

  • GitHub仓库：https://github.com/lobehub/lobehub
  • 官方网站：https://lobehub.com/
  • 文档中心：https://lobehub.com/docs
  • 更新日志：https://lobehub.com/changelog
  • 官方博客：https://lobehub.com/blog

社区资源

  • Discord社区：https://discord.gg/AYFPHvv2jT
  • Agent Marketplace：https://lobehub.com/mcp
  • 问题反馈：https://github.com/lobehub/lobe-chat/issues
  • 贡献指南：https://github.com/lobehub/lobe-chat/blob/main/CONTRIBUTING.md

相关技术

  • Next.js：https://nextjs.org/
  • React：https://react.dev/
  • MCP协议：https://modelcontextprotocol.io/
  • Better Auth：https://www.better-auth.com/

本文基于LobeHub开源项目的公开信息撰写，旨在深度解析其技术架构、设计理念和实际应用。所有技术细节均来源于项目文档、GitHub仓库和相关技术资料。

Read more

华为人工智能HCIP-AI Solution Architect H13-323题库（26年最新，带解析知识点）

华为人工智能HCIP-AI Solution Architect H13-323题库（26年最新，带解析知识点）

刚考完HCIP-AI Solution Architect H13-323，整理的题库给大家参考学习。完整版题库已经发在题主小程序上了，需要的同学可以去绿泡泡上找“题主”小程序。 以下哪个不是MindSpore核心架构的特点？ A、自动微分 B、自动调优 C、自动编码 D、自动并行 答案：C 解析：MindSpore核心架构以自动微分、自动并行和自动调优为主要特点，支持端边云全场景的AI开发。“自动编码”并非其核心架构的特点。 标签：MindSpore，自动微分，自动并行，自动调优 如果你想使用 Hugging Face Transformers 库中的预训练模型进行 DeepSpeed 训练，请对以下步骤进行排序，正确的是哪一项？ 步骤： 1. 创建一个TrainingArguments对象，并在其中指定包括DeepSpeed配置在内的训练参数。 2. 创建Trainer对象。 3. 加载预训练模型。 4. 传递模型和训练参数，
基于FPGA与MATLAB的超声多普勒频移解调应用：信号生成、混频处理、低通滤波、FFT算法实...

基于FPGA与MATLAB的超声多普勒频移解调应用：信号生成、混频处理、低通滤波、FFT算法实...

基于fpga与matlab的超声多普勒频移解调应用 ①DDS IP核生成2Mhz和(2Mhz+1Khz)的sin频率信号； ②乘法ip核实现2Mhz和(2Mhz+1Khz)的sin频率信号混频处理； ③FIR IP实现低通滤波算法（Matlab获取滤波参数）； ④FFT IP核实现FFT的算法； ⑤乘法ip核实现FFT处理后数据取模运算； ⑤通过算法实现取模运算后65536数据的峰值搜索； ⑥对峰值结果进行计算，并与1Khz理论值比对 一、系统概述 本系统基于FPGA技术，围绕快速傅里叶变换（FFT）与直接数字频率合成（DDS）核心功能展开设计，主要应用于超声多普勒频移解调场景。系统通过DDS模块生成特定频率的信号，再经由FFT模块对信号进行频域分析，最终实现对超声多普勒频移信号的处理与解调。整体代码基于Verilog/VHDL硬件描述语言开发，包含测试激励模块、DDS编译器IP核及相关辅助模块，可在Xilinx Vivado开发环境中进行仿真与部署，具备高实时性、高稳定性的特点，满足超声信号处理对精度和速度的双重需求。 二、核心模块功能解析 （一）FFT顶层测试模块（tb

FPGA小白学习日志一：LED的点亮

1.工程准备 首先建立一个名为led的工程文件夹，文件夹下包含了doc、quartus_prj、rtl、sim四个子文件夹： 那么我们来分析各个文件夹包含了什么： doc：该文件夹主要包含了文档资料、数据手册、Visio波形等，相当于档案库； quartus_prj：该文件夹主要包括了使用Quartus II软件新建的工程，相当于操作台； rtl：该文件夹主要放置生成硬件电路的代码，相当于原材料； Sim：该文件夹放置对生成硬件电路代码的仿真文件，相当于质检室；     这四个文件夹各自完成不同的分工，但是它们之间有什么联系呢？答案是：他们之间通过路径关联和文件引用，形成一个完美的FPGA开发闭环。quartus_prj作为工程中枢，向上访问doc读取说明，向下访问rtl获取硬件代码，向外访问sim获取仿真脚本；sim向上访问rtl在逻辑上验证硬件代码的正确性。 2.设计过程    无论我们使用FPGA做什么类型的项目时，我们都要参照一个具体的流程，这里就介绍我自己的开发流程： 1.看手册和原理图，搞清楚我们需要实现什么功能，就像做饭时我们需要看食谱，要知道自己吃什么。

小米智能家居完美接入Home Assistant全攻略

小米智能家居完美接入Home Assistant全攻略 【免费下载链接】ha_xiaomi_homeXiaomi Home Integration for Home Assistant 项目地址: https://gitcode.com/GitHub_Trending/ha/ha_xiaomi_home 想要将家中的小米智能设备无缝集成到Home Assistant智能家居平台吗？本文为您提供一套完整的小米设备集成解决方案，从基础安装到高级配置，手把手指导您实现跨品牌设备的统一管理。通过云端控制与本地控制双模式，您可以获得更稳定、更快速的设备控制体验。 小米设备集成前的准备工作 在开始集成前，请确保您已准备好以下条件： * 运行Home Assistant的设备（版本≥2024.4.4） * 小米智能设备（支持Wi-Fi或蓝牙连接） * 有效的小米账号（用于云端设备认证） * 本地网络访问权限（用于局域网设备发现） 小米设备集成的三种安装方式 HACS一键安装方法 通过Home Assistant社区商店进行安装是最便捷的方式： 1. 进入HACS界面