朋友的工作室在暑期开展了一次科创课的前置课程，我过去一起策划了硬件工程部分的内容和材料。
当时在周末参与讨论了一些方案，难点在于：
- 如何能够让大部分同学都在课程上做同一样作品（因为时间有限，实际动手环节相当于只有一个周末的时间），但在课程结束之后能够有不同的成果。
- 而且同学们的代码基础基本为零，所以在这样的短时间课程中，描述清楚自己想要实现的功能，并且着手初步实现就已经非常了不起了。
为了让同学能在同样的平台上发挥个性，我们设计了多种扩展方向：
- 车身结构可自由设计与装饰；
- 不同传感器组合（颜色识别、超声波、循迹、红外等）形成不同功能满足不同的选题；
- 采用我的“预制”代码进行编程，而且让功能组合模块化，既可实现基础循迹，也可挑战自主不同的传感器组合实验。
顺便，还把之前做的那块板子用上了。
之前写的一篇文章 大模型 AI 对话＋控制实验，又手搓了一块开发板，当时是为了赶上小智 AI 的那股风，把原本需要用面包板才能搭建的所有器件都集成到一块板子上，并且还预留了直流电机和充放电的位置，方便扩展。
不过，后续这块板子将会继续优化，计划拆解成两片，降低单片板子的制作成本（当然这是题外话，后续会列出单独文章详解）。
目前而言，如果只是自己玩玩，没什么特殊要求的话，从购物 app 自行购买相应的基础开发板和元器件就行。
我这边用的平台依然是基于 ESP32 和 Arduino IDE，操作简单、上手容易，详细的教程也会在后续更新。
什么是 Vibe Coding？
“Vibe Coding” 是 2025 年开始流行的新概念，由曾任职于特斯拉和OpenAI、专门研究深度学习和计算机视觉的 Andrej Karpathy 提出。它的核心思想是：
用自然语言（Prompt）表达意图，让 AI 写出实现的代码。
简单来说：传统编程是“告诉电脑怎么做”，而vibe coding 是“告诉 AI 我想要什么样的结果”。
例如：
“我希望让灯光像呼吸一样闪烁。”
“当温度超过 30 ℃ 时，风扇慢慢转起来。”
“检测到人靠近时，播放一段欢迎音效。”
AI 理解你的意图后，会自动生成并解释代码。
当然这些话语并不能直接让 AI 生成实际可用的代码，你还需要让 AI 知道，你把灯接哪儿了、把温度传感器接哪儿了、把直流电机接哪儿了、把人体红外传感器接哪儿了…
给小车注入灵魂，硬件 Vibe Coding
为了 AI 写出高质量代码，关键在于描述清楚你的需求。
这类嵌入式项目我通常分三层来写 Prompt：
| 层级 | 说明 | 示例 |
|---|---|---|
| 硬件层 | 指定板子主模块型号、传感器or执行器模块种类与引脚、使用的硬件平台 | “ESP32-S3, OLED I2C(41,42), 超声波17/18, 电机L9110S(11,12,14,13)” |
| 功能层 | 描述行为逻辑与控制规则 | “距离障碍物<15cm后退并左转0.5秒后掉头、否则巡线前进” |
| 表达层 | 约定输出格式与风格 | “请用结构化函数封装，包含注释与调试输出” |
所以，最终的 prompt 可能长这样：
请用 ESP32-S3 开发一辆智能小车，请帮我基于 Arduino IDE ，使用 C++ 写一份完整的控制程序。
功能需求：
- 使用 SSD1306 通过 I2C 接口显示信息（SDA=41, SCL=42）。OLED 显示当前速度、行驶距离、超声波距离、巡线状态、RGB 值。
- 使用 TCS34725 颜色传感器，只需要读取 RGB 值（不需要颜色识别）。
- 使用 HC-SR04 超声波模块测距。
- 使用 L9110S 驱动电机，4 路 PWM 控制，定义引脚为：
左电机 IN1=11, IN2=12；右电机 IN1=14, IN2=13。- 使用 4 路巡线传感器，输入引脚为 37, 36, 35, 45。
- 使用 WS2812B 灯（3颗），连接引脚为38。
功能逻辑：
- 超声波避障优先：距离 < 15cm 时后退、左转避障再掉头。
- 巡线功能：使用 4 路传感器加权算法（-3, -1, 1, 3），PID简化为比例控制。
- 若失线 < 200ms，继续用上一次误差纠偏；否则停车。
- 同时读取颜色传感器值并在 OLED 显示。
- 颜色传感器的 RGB 值请做亮度归一化处理，增强差异度（防止偏白）。
- LED 灯条状态：
- LED0：系统运行状态；
- LED1：超声波距离反馈（红近、橙中、绿远）；
- LED2：颜色传感器实时 RGB 显示。
其他：
- 在串口输出调试信息。
- 循环周期 10ms。
- 保持结构化、模块化的函数划分（例如 readUltrasonic、lineFollow、updateOLED 等）。
请输出完整 Arduino 代码（包含头文件导入、初始化、主循环、函数定义），并能在 ESP32-S3 上运行。
当你把这段文字输出给 ChatGPT 之后，它会输出代码，但可能并不能完全地符合你的要求。
比方说，上述的这段 prompt 中，并没有描述清楚 OLED 如何显示数据。AI 生成的代码可能用了别的第三方库文件（如 SSD1306），而不是你想要的 Adafruit_SSD1306 库，前后的一致性不佳。所以，这个时候你需要针对具体的改进点和 AI 进行沟通：
好，那你接下来就按照这样的接线写Arduino代码。
OLED IIC 12832 – 显示速度和路程内容 – 显示避障距离 – 显示颜色传感器数值和颜色 – 显示巡线参数 请用英文简写表示。目前所有传感器均未连接，请先把所有的显示数值做成合理的随机数，并且封装成函数，每当我接入指定的传感器之后，即可轻松显示。
AI 输出的部分内容如下，里面清晰地把需要下载什么库文件、显示屏的显示效果都写了出来，实际测试效果还行（但小车手上已经发完，没找到实拍图），运行时实时显示速度、距离、颜色。
RGB LED 指示灯分别按超声波距离变化和颜色传感器“看到的颜色”进行闪烁；颜色传感器正常工作；循线的 PID 控制部分也有一定的体现。
// === RGB 状态灯 ===
void updateLEDs() {
// 运行指示
strip.setPixelColor(0, strip.Color(0, 150, 0));
// 超声波距离反馈
if (ultrasonicDist == -1) strip.setPixelColor(1, strip.Color(0, 0, 0));
else if (ultrasonicDist < 10) strip.setPixelColor(1, strip.Color(255, 0, 0));
else if (ultrasonicDist < 30) strip.setPixelColor(1, strip.Color(255, 180, 0));
else strip.setPixelColor(1, strip.Color(0, 255, 0));
// 颜色传感器（增强对比后的 RGB）
strip.setPixelColor(2, strip.Color(rVal, gVal, bVal));
strip.show();
}AI生成的巡线函数如下所示：
// === 循线函数（基于权重 + 比例修正） ===
bool lineFollow(int baseSpeed = 100, float Kp = 0.9f) {
int s[4];
s[0] = digitalRead(LINE1_PIN);
s[1] = digitalRead(LINE2_PIN);
s[2] = digitalRead(LINE3_PIN);
s[3] = digitalRead(LINE4_PIN);
int active_count = 0;
int error = 0;
for (int i = 0; i < 4; i++) {
if (s[i]) {
error += weights[i];
active_count++;
}
}
if (active_count == 0) {
if (millis() - line_lost_time < 200) {
int correction = map(last_error, -3, 3, -50, 50);
setMotorSpeed(baseSpeed + correction, baseSpeed - correction);
return true;
} else {
stopCar();
return false;
}
}
line_lost_time = millis();
last_error = error;
float norm_err = error / 3.0f; // 近似 -1..1
int correction = (int)(Kp * norm_err * baseSpeed);
int left_speed = baseSpeed - correction;
int right_speed = baseSpeed + correction;
left_speed = constrain(left_speed, -255, 255);
right_speed = constrain(right_speed, -255, 255);
setMotorSpeed(left_speed, right_speed);
return true;
}小车通过 4 路红外巡线传感器自动判断线路偏差，并实时修正转向，使其稳定沿线行驶。每个传感器被赋予一个“权重”，表示它距离中心线的远近。当某个传感器检测到黑线时，对应的权重会被加到 error 里。
这里用了最基础的比例控制算法（P 控制）。偏差越大，修正值越大。Kp 是比例系数，用来调节转向灵敏度。计算得到的 correction 会被加减到左右轮速度中。
如果 4 个传感器都没检测到线（说明小车完全偏离轨道），程序会暂时使用“上一次误差方向”继续纠偏 200ms，如果仍找不到，就停下来等待我去干预。
于是，这样一份“预制代码”完成了。
即使同学们是零代码基础，这样让大部分同学都在课程上通过“预制代码”做同一样作品并且根据自己不同的选题选择不同的模块（传感器+执行器），在课程结束之后能够有不同的成果。
当然，如果后续需要深入研究的话，代码的学习还是必不可少的。
未完待续
传统编程你得告诉计算机怎么做，建立在他人代码上手动创作（例如库文件、别人的成功案例等等）；而硬件 Vibe Coding 作为一个新词，其本质还是需要基于一个需要能够拥有强大代码能力的AI，并且让我告诉 AI 我想要什么最终效果或者产品。
另外，因为时间比较紧，小车结构本身也是由之前的一个项目直接改的。整体来说，在安装过程中，或多或少还是会遇到一些问题。比如：有些孔的位置没打、小车运动起来没有那么稳等等，这些都是需要在后续的版本中需要改进的地方。
这些工作虽说目前而言没有办法直接使用 AI 代替，但是 AI 总能给我们一些思路和启发。希望能够让同学在“拼装-调试-修改”的过程中理解：一个工程作品，不仅仅是拼装+接电路，而是一个从设计、实现到验证的完整思考过程。
AI 写 DIY 硬件代码不是“偷懒”，而是加快想法实现和快速迭代进行原型验证的方法。
在硬件领域，这意味着：
- 想法到简单原型的距离被压缩到短至分钟级别；
- 创意门槛被彻底降低，让更多人能把“脑中的装置”变成现实；
- 产品经理、工程师角色正在转变：从“写代码的人”，变成“描述系统行为的人”。
更多软硬件教程和知识干货，欢迎关注公众号【晓栋XD】，我将持续分享有关 AI + 软硬件产品创作。