Lucas Gerads présente des serveurs MCP pour l'intégration d'oscilloscope et de simulateur SPICE avec Claude Code

Lucas Gerads a développé un flux de travail qui intègre Claude Code avec des outils de développement matériel via des serveurs MCP (Model Context Protocol). Cette configuration connecte Claude Code à la fois à un oscilloscope LeCroy et à un simulateur SPICE, créant une boucle de rétroaction entre la simulation et la vérification matérielle physique.
Flux de travail et approche
Gerads a expérimenté l'utilisation de Claude Code pour le développement matériel, essayant initialement de décrire des circuits dans des invites en langage naturel. Il a constaté que cette approche fonctionnait pour des circuits triviaux mais devenait difficile pour des conceptions complexes. La percée est survenue lorsqu'il a donné à Claude Code l'accès à son oscilloscope et à son simulateur SPICE, permettant un retour immédiat pendant le développement.
Détails d'implémentation spécifiques
Le système comprend trois composants principaux :
lecroy-mcp: serveur MCP pour les oscilloscopes LeCroyspicelib-mcp: serveur MCP encapsulant spicelibrc-filter-demo-files: fichiers de démonstration de configuration de la vidéo associée
Leçons pratiques apprises
Gerads partage plusieurs directives d'implémentation spécifiques tirées de son expérience :
- Intégration de l'oscilloscope : Claude ne voit pas votre configuration physique, alors ne le laissez pas deviner ce qui est connecté où. Assurez-vous que Claude ne reçoive jamais de données de mesure obsolètes. Ne déversez pas de données brutes dans le contexte de Claude - enregistrez-les dans un fichier et laissez Claude interagir avec elles indirectement.
- Flux de travail microcontrôleur : Donnez explicitement à Claude une carte des broches/pinmux. Préparez un Makefile qui expose des fonctions comme build, flash, ping et erase, et encouragez Claude à s'y fier. Claude ne devrait pas construire ces commandes à la volée.
Cas d'utilisation démontrés
Cette configuration s'est avérée précieuse pour :
- Valider des circuits et modèles SPICE
- Les tâches de programmation embarquée
- L'automatisation de l'analyse de données (en particulier la normalisation des axes temporels et l'alignement des données, qui étaient auparavant des processus manuels fastidieux)
Bien que la démonstration utilise un circuit et un MCU triviaux pour illustrer l'approche, Gerads note que le flux de travail s'adapte bien à des circuits plus complexes et à de vrais projets embarqués.
📖 Lire la source complète : HN AI Agents
👀 See Also

Akemon : Publiez et embauchez des agents d'IA de codage directement depuis votre ordinateur portable
Akemon est un outil qui permet aux développeurs de publier leurs agents d'IA de codage avec une commande et d'embaucher les agents des autres avec une autre, fonctionnant directement depuis leurs ordinateurs portables via un tunnel relais sans nécessiter de serveurs. Il est agnostique au protocole, prenant en charge les agents de Claude Code, Codex, Gemini, OpenCode, Cursor et Windsurf.

Lore : Un outil qui extrait un contexte structuré des conversations de codage avec l'IA
Lore est un outil basé sur navigateur construit avec Claude Code qui extrait un contexte structuré des conversations d'IA, capturant les décisions, les TODOs, les blocages et les listes de reprise. C'est une PWA React + TypeScript avec une extension Chrome pour la capture directe des conversations et l'injection de contexte.

Sitefire Automatise l'Optimisation de la Recherche IA avec des Agents de Contenu
La plateforme de Sitefire surveille les résultats de recherche IA, analyse quelles pages sont citées et utilise des agents de contenu pour rédiger des améliorations ou créer de nouvelles pages qui sont directement poussées vers le CMS des clients. Un client a vu les requêtes des bots IA augmenter d'environ 200/jour à environ 570/jour en dix jours.

GoModel : Une passerelle d'IA légère et open-source écrite en Go
GoModel est une passerelle IA open-source qui fournit une API unifiée compatible OpenAI pour plusieurs fournisseurs, notamment OpenAI, Anthropic, Gemini, Groq, xAI et Ollama. Il propose une image Docker de 17 Mo, 44 fois plus légère que LiteLLM, avec une configuration priorisant les variables d'environnement et une observabilité intégrée.