Lucas Gerads demonstriert MCP-Server für die Integration von Oszilloskop und SPICE-Simulator mit Claude Code

✍️ OpenClawRadar📅 Veröffentlicht: 18. April 2026🔗 Source
Lucas Gerads demonstriert MCP-Server für die Integration von Oszilloskop und SPICE-Simulator mit Claude Code
Ad

Lucas Gerads hat einen Workflow entwickelt, der Claude Code über MCP-Server (Model Context Protocol) mit Hardware-Entwicklungswerkzeugen integriert. Das Setup verbindet Claude Code sowohl mit einem LeCroy-Oszilloskop als auch mit einem SPICE-Simulator und schafft so eine Feedback-Schleife zwischen Simulation und physikalischer Hardware-Verifikation.

Workflow und Ansatz

Gerads experimentierte mit der Verwendung von Claude Code für die Hardware-Entwicklung und versuchte zunächst, Schaltungen in natürlicher Sprache zu beschreiben. Er stellte fest, dass dieser Ansatz für triviale Schaltungen funktionierte, aber bei komplexen Designs schwierig wurde. Der Durchbruch gelang, als er Claude Code Zugriff auf sein Oszilloskop und seinen SPICE-Simulator gewährte, was sofortiges Feedback während der Entwicklung ermöglichte.

Spezifische Implementierungsdetails

Das System umfasst drei Hauptkomponenten:

  • lecroy-mcp: MCP-Server für LeCroy-Oszilloskope
  • spicelib-mcp: MCP-Server, der spicelib umschließt
  • rc-filter-demo-files: Demo-Setup-Dateien aus dem begleitenden Video
Ad

Praktische Erkenntnisse

Gerads teilt mehrere spezifische Implementierungsrichtlinien aus seiner Erfahrung:

  • Oszilloskop-Integration: Claude sieht Ihren physischen Aufbau nicht, also lassen Sie ihn nicht raten, was wo angeschlossen ist. Stellen Sie sicher, dass Claude niemals veraltete Messdaten erhält. Schütten Sie keine Rohdaten in Claudes Kontext – speichern Sie sie in einer Datei und lassen Sie Claude indirekt damit interagieren.
  • Mikrocontroller-Workflow: Geben Sie Claude explizit eine Pinout/Pinmux-Karte. Bereiten Sie eine Makefile vor, die Funktionen wie Build, Flash, Ping und Löschen verfügbar macht, und ermutigen Sie Claude, sich darauf zu verlassen. Claude sollte diese Befehle nicht spontan konstruieren.

Demonstrierte Anwendungsfälle

Das Setup hat sich als wertvoll erwiesen für:

  • Validierung von SPICE-Schaltungen und -Modellen
  • Embedded-Programmieraufgaben
  • Automatisierung der Datenanalyse (insbesondere Zeitachsen-Normalisierung und Datenausrichtung, die zuvor mühsame manuelle Prozesse waren)

Während die Demo eine triviale Schaltung und einen MCU verwendet, um den Ansatz zu veranschaulichen, merkt Gerads an, dass der Workflow gut auf komplexere Schaltungen und echte Embedded-Projekte skaliert.

📖 Read the full source: HN AI Agents

Ad

👀 Siehe auch

Sponsio: Deterministische Sicherheitsvorkehrungen für OpenClaw – Blockierung von „legalen, aber falschen“ Tool-Aufrufen
Werkzeuge

Sponsio: Deterministische Sicherheitsvorkehrungen für OpenClaw – Blockierung von „legalen, aber falschen“ Tool-Aufrufen

Open-Source-Tool, das an der Tool-Grenze sitzt, jeden Aufruf mit Temporal-Logic-Verträgen evaluiert (~0,14ms p50). Verhindert, dass Agenten Dateien außerhalb des Arbeitsverzeichnisses bearbeiten, Force-Pushes oder Migrationen gegen die falsche Datenbank ausführen.

OpenClawRadar
Statespace: Erstellen Sie interaktive Web-Apps für OpenClaw-Agenten mit Markdown
Werkzeuge

Statespace: Erstellen Sie interaktive Web-Apps für OpenClaw-Agenten mit Markdown

Statespace ist ein kostenloses, quelloffenes Framework zum Erstellen und Teilen von KI-freundlichen Web-Apps, die OpenClaw-Agenten mit reinem Markdown navigieren und bedienen können. Es ermöglicht Ihnen, Werkzeuge, Komponenten und Anweisungen in Markdown-Dateien zu definieren, auf die Agenten über HTTP zugreifen.

OpenClawRadar
Verwendung eines lokalen LLM als Claude-Code-Subagent zur Reduzierung des Kontextverbrauchs
Werkzeuge

Verwendung eines lokalen LLM als Claude-Code-Subagent zur Reduzierung des Kontextverbrauchs

Ein Reddit-Nutzer zeigt, wie Claude Code Aufgaben an ein lokales LLM delegieren kann, das über LM Studio läuft, wobei der Dateiinhalt außerhalb von Claudes Kontext bleibt. Das Setup verwendet ein Python-Skript mit etwa 120 Zeilen und die Tool-Calling-API von LM Studio, um Dateioperationen lokal zu handhaben.

OpenClawRadar
Benchmark-Ergebnisse: 331 GGUF-Modelle auf Mac Mini M4 16GB getestet
Werkzeuge

Benchmark-Ergebnisse: 331 GGUF-Modelle auf Mac Mini M4 16GB getestet

Ein Benchmark von 331 GGUF-Modellen auf einem Mac Mini M4 mit 16 GB RAM zeigt nur 11 Pareto-optimale Modelle, allesamt Mixture-of-Experts-Architekturen. Mixture-of-Experts-Modelle dominieren die Leistung mit einem Median von 20,0 Token/Sekunde gegenüber 4,4 bei dichten Modellen.

OpenClawRadar