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

Chapper: Native iOS-Client für LM Studio, Ollama und OpenAI-kompatible lokale Modelle
Werkzeuge

Chapper: Native iOS-Client für LM Studio, Ollama und OpenAI-kompatible lokale Modelle

Chapper ist eine native SwiftUI iOS-App, die sich mit LM Studio, Ollama und OpenAI-kompatiblen lokalen Modellen verbindet, ohne Cloud-Dienste oder Konten zu benötigen. Sie bietet Echtzeit-Token-Streaming, umfassende Sampling-Kontrollen, Unterstützung für Reasoning-Modelle mit <think>-Tags und Export in 7 Formaten.

OpenClawRadar
Text Adventure Game Engine Skill für Claude Desktop
Werkzeuge

Text Adventure Game Engine Skill für Claude Desktop

Eine Textadventure-Spiel-Engine läuft vollständig innerhalb von Claude Desktop als Skill, ohne Server, Apps oder Code, der ausgeführt werden muss. Sie umfasst vollständige RPG-Mechaniken, 3D-Würfel-Rendering, 19 Erweiterungsmodule und portable Speicherdateien.

OpenClawRadar
Skalierung von Karpathys Autoresearch mit 16 GPUs: Ergebnisse und Methoden
Werkzeuge

Skalierung von Karpathys Autoresearch mit 16 GPUs: Ergebnisse und Methoden

Das SkyPilot-Team gab Claude Code Zugriff auf 16 GPUs in einem Kubernetes-Cluster, um Karpathys Autoresearch-Projekt auszuführen. In 8 Stunden reichte der Agent ~910 Experimente ein, reduzierte die Validierungsbits pro Byte von 1,003 auf 0,974 (2,87 % Verbesserung) und erreichte den besten Validierungsverlust 9-mal schneller als bei sequentieller Ausführung.

OpenClawRadar
MCP-India-Stack: Offline-fähiger Server für indische Finanzdaten in KI-Agenten
Werkzeuge

MCP-India-Stack: Offline-fähiger Server für indische Finanzdaten in KI-Agenten

MCP-India-Stack ist ein offline-first MCP-Server, der indische Finanz- und Regierungs-API-Funktionalität ohne Authentifizierung oder externe API-Aufrufe bereitstellt. Er bündelt Datensätze lokal für Steuerberechnungen, Validierungstools und Abfragen.

OpenClawRadar