AutoProber: Automação de sondas voadoras orientada por IA para hacking de hardware
O que o AutoProber faz
AutoProber é uma pilha de automação de sondas voadoras para hackers de hardware projetada para fornecer aos agentes de IA tudo o que é necessário para ir da detecção de um novo alvo em uma placa até a sondagem segura de pinos individuais. O sistema lida com descoberta de alvos, mapeamento por microscópio, movimento CNC monitorado por segurança, revisão de sondas e sondagem controlada de pinos.
Fluxo de trabalho e operação
O fluxo de trabalho típico envolve instruir o agente a ingerir o projeto, conectar todo o hardware, fazer com que o agente confirme que todas as partes estão funcionando, executar a busca de referência e calibração, anexar o cabeçote personalizado da sonda e do microscópio e, em seguida, notificar o agente sobre um novo alvo na placa. O agente encontrará a localização do alvo, capturará quadros individuais enquanto registra coordenadas XYZ, anotará pads, pinos, chips e outros recursos, unirá os quadros, anotará o mapa, adicionará alvos de sondagem ao painel web para aprovação ou rejeição, sondará os alvos aprovados e reportará de volta.
Controle de hardware e segurança
Todos os hardwares podem ser controlados através do painel web, scripts Python ou pelo próprio agente. O projeto trata o movimento do hardware como um sistema de controle de máquina em vez de um aplicativo web normal. O modelo de segurança requer monitoramento contínuo do Canal 4 do osciloscópio durante qualquer movimento, com qualquer gatilho do Canal 4, tensão ambígua, alarme CNC ou pino de limite real X/Y/Z servindo como condição de parada. O movimento de recuperação não é automático.
Estrutura do repositório
apps/- Scripts voltados para o operador e ponto de entrada do painel Flaskautoprober/- Pacote Python reutilizável para CNC, osciloscópio, microscópio, registro e segurançadashboard/- Painel web de página únicadocs/- Arquitetura, referências de dispositivos, operações e orientações de segurançacad/- Arquivos STL imprimíveis para o cabeçote de ferramentas personalizado atualconfig/- Arquivos de exemplo de ambiente/configuração
Pilha de hardware
A arquitetura testada utiliza:
- Controlador CNC compatível com GRBL estilo 3018 via serial USB
- Microscópio USB servido por mjpg_streamer
- Osciloscópio Siglent via LAN/SCPI para monitoramento de segurança do Canal 4 e medição do Canal 1
- Fim de curso óptico conectado a uma fonte externa de 5V e ao Canal 4 do osciloscópio
- Tomada controlada por rede opcional para controle de energia do laboratório
Peças de referência
O protótipo utiliza peças específicas, incluindo fim de curso óptico, microscópio USB, SainSmart Genmitsu 3018-PROVer V2, Matter Smart Power Strip, Osciloscópio Siglent SDS1104X-E, fios Dupont, mola de caneta ou mola de compressão leve similar, e impressora 3D para peças imprimíveis do cabeçote de ferramentas.
Licença e status
O repositório é uma versão candidata autossuficiente disponível na fonte sob a licença PolyForm Noncommercial 1.0.0, com contato comercial disponível. Utiliza Python com resolução de dependências via uv.lock.
📖 Read the full source: HN AI Agents
👀 See Also
Aplicativo Móvel Off Grid Adiciona Uso de Ferramentas de IA no Dispositivo com Melhoria de Velocidade de 3x
O aplicativo móvel Off Grid agora permite que modelos de IA usem ferramentas como busca na web, calculadora, data/hora e informações do dispositivo totalmente offline, com opções configuráveis de cache KV que entregam até 30 tokens/segundo em celulares.
Kit de Gerenciamento de Contexto Cowork Resolve o Problema de Sobrecarga de Arquivos do Claude
Um desenvolvedor criou um kit de gerenciamento de contexto para Cowork depois que a Claude AI estava lendo todos os 462 arquivos na pasta do projeto, causando problemas de desempenho e contradições. A solução inclui instruções globais, um sistema de arquivo manifesto e uma habilidade do Cowork para priorizar documentos relevantes.
PhantomCrowd: Simulador de Público Multiagente Usando Claude Code
PhantomCrowd é um mecanismo de previsão multiagente focado em marketing que simula como audiências reais reagem ao conteúdo antes de ser publicado. Ele gera 10 a 500 personas com demografias e personalidades únicas, cada uma reagindo independentemente a conteúdos como textos publicitários ou posts sociais.
Discussão no Reddit: Arquivos Identity.md são insuficientes para estabilidade de personalidade de funcionários de IA sem uma arquitetura de modelo adequada
Uma discussão no Reddit argumenta que ajustar arquivos identity.md para evitar vazamento de personalidade em equipes de funcionários de IA é ineficaz se a arquitetura do modelo subjacente apenas simula a separação de papéis. A postagem recomenda usar o backend Minimax M2.7, que incorporou a consciência de limites no treinamento base por meio de mais de 100 ciclos de auto-evolução.