2026 年工程师如何用 AI 做元器件选型

如今的选型流程是什么样子

问一位硬件设计工程师“AI 有没有改变你的工作”，您会得到一个很谨慎的回答；问他“这周有没有用过 AI 助手”，答案几乎总是肯定的。

2026 年 4 月至 5 月间，Weidmuller 与 EETech Research 面向 400 名北美工程师做了一次调研，主题是他们如何设计电路板、如何评估元器件。超过九成的人已经在 PCB 流程的某个环节用过基于 AI 的工具。但其中 75% 把这些工具描述为现有流程内部的一个提效与加速层——迭代更快，而不是把判断权交出去。

这个区分就是全部要点。AI 已经拿到了近乎普及的采用率，以及近乎为零的话语权。工程师天天在用它，但信任是有条件的，而那个条件就是核验。

AI 究竟在选型流程的哪些环节介入？

注意看第三列里占主导的是什么。其中极少是因为模型不够聪明，绝大多数是因为交给模型的是一份 PDF。

为什么格式比模型更重要

这方面最有力的证据出现在 2026 年 6 月，研究者发布了 PCB-QA：一个由真实 KiCad 设计文件衍生出的 480 组问答对数据集，覆盖元器件连接关系、数据手册查询和 SPICE 仿真行为，并在四个前沿模型上做了评测。

真正的要点不是哪个模型赢了，而是当同一个模型拿到同样的信息、只是格式不同时，会发生什么：

在 JSON 表示上表现最好的模型是 Gemini 3 Flash Preview，达到了 93%。

这应当被读作一个供给侧的结论，而不是一个模型侧的结论。把准确率翻一倍，靠的不是更好的模型、更大的上下文窗口或一次微调，而是把同样的事实以机器能解析的形式交出去。凡是参数数据只存在于 PDF 数据手册里的制造商，其型号的实际表现都接近 43% 那一行。

这也是为什么“模型会越来越好，我们可以再等等”这个说法远不如听上去那么有力。模型变强，并不能把格式已经销毁掉的信息找回来。

工程师为什么仍然要打开数据手册？

因为数据手册的身份，而不是它的内容。

数据手册是一份受控的、有版本管理的文件，制造商要为它背书。当某个型号认证不通过时，被摆到桌面上争论的就是这份文件。没有哪个工程师会拿一段聊天记录去替代它，也没有哪个制造商应该希望他们这么做。

真正的错误，在于指望机器从这份文件里推导出参数。PDF 是您数据的一次渲染结果，而不是您的数据本身——而渲染过程中被销毁的那些东西，恰恰就是导致重新投板的那些东西：说明 2 A 额定值只在 25°C 下成立的脚注、标记该规格为初版的星号、以及“该型号不推荐用于新设计”的备注。

这里存在三种彼此不同的失效模式，混为一谈会让团队走向错误的解法：

1. 01数据过期。 模型背出的是训练数据里的一个数字，而这个数字后来已经变了。解法是让数据可被实时访问，而不是把提示词写得更好。
2. 02提取失败。 数值确实存在，但只存在于一张 PDF 表格里。解法是发布结构化的参数数据。
3. 03数据缺失。 根本不存在任何机器可读的记录，于是模型从相邻型号那里插值猜测。解法是把覆盖度补齐。

只有第三种才是严格意义上的幻觉。前两种，是制造商自己给自己造成的。

为什么错误会在 BOM 规模上被放大

一个参数错了只是麻烦。同样的错误率铺开到整份物料清单上，就是另一个量级的问题了——也正是在这里，AI 辅助选型不再像一次聊天，而开始像一条供应链。

设想一份规模不大的 200 行 BOM。一个逐行准确率 95% 的助手——这已经好过大多数基准测试对纯 PDF 数据源的预期——会产出大约十行有缺陷的条目。其中一些会在评审时被抓出来，一些会在首件检验时被抓出来，还有一些要等到分销商确认“这颗料十八个月前就已列为不推荐用于新设计”时才暴露。

有三个特性，会让实际情况比单纯按错误率算出来的更糟：

• 这些错误不是随机分布的。 它们恰好集中在已发布数据最差的那些型号上，而这与较老的目录条目、二线厂商以及近期被并购的产品线高度相关——也正是最可能存在生命周期风险的那一批。
• 这些错误是无声的。 缺失一项参数，模型就用现有的那些参数拼出一个自信的答案。输出里没有任何东西能区分：哪个数值是检索来的，哪个是推断出来的。
• 这些错误能挺过评审。 工程师只核验他们认为关键的那些参数。生命周期状态、最小起订量和区域认证，在原理图阶段常常不在这份清单上——而它们恰恰是机器可读记录中最常缺失的字段。

Weidmuller 的数据让时间点问题更加尖锐：43% 的工程师在概念设计早期或原理图设计阶段就敲定了元器件选型，另有 26% 会横跨多个阶段反复迭代选型。选型发生得很早——正是在助手给出的答案最不可能被拿去与分销商实时数据交叉核对的时候，也正是后续变更成本开始爬升的时候。

工程师实际在用哪些工具？

在通用助手之上，已经形成了一层垂直领域工具。有必要了解它们，因为这些工具如今就是您的产品目录与客户决策之间的中介。

• Flux 在 2026 年 2 月融资 3700 万美元——其中包括由 8VC 领投的 2700 万美元 B 轮，以及此前未披露的 1000 万美元 A 轮——用于打造一款 AI 副驾：它能根据自然语言提示规划布局、寻源元器件并测试设计。其 2026 年的版本加入了带实时价格与库存的寻源感知设计。
• 慕尼黑的 Luminovo 在 2026 年 1 月推出了 ElectronicsGPT：一个面向电子采购的智能体，能连同技术数据、替代料和供应链信息一起把物料检索出来。
• 同在慕尼黑的 CELUS 基于其 CUBO 元器件知识库，从需求直接生成原理图，并在 embedded world 2026 上演示了 AI 驱动的元器件匹配。
• Cofactr 完成了由 Bain Capital Ventures 领投的 1700 万美元 A 轮，方向是受供应商准入、法规与内部政策约束的寻源——航空航天、国防、机器人与医疗科技。
• 建筑产品领域的 Parspec 于 2025 年 7 月完成 2000 万美元 A 轮；其模型从图纸和规格书中提取产品要求，从一个超过六百万条目的产品库中筛选并排序符合要求的产品，并自动生成报价、报批资料和运维（O&M）资料包。

它们共同的结构很能说明问题。这些工具无一例外，都是架在自己并不拥有的制造商数据之上的一层解释层。它们准确率的天花板，就是您的数据质量。当它们解析不了您的型号时，它们就会去解析竞争对手的——而工程师永远不会知道，哪些型号被悄悄排除在外了。

要在这个回路中被信任，制造商必须公开什么？

大致按投入产出比排序：

1. 01非浏览器客户端能读懂的服务端渲染目录页。 2026 年 8 月 Partsgraph 审计了全球 984 个分销商与制造商域名，其中 38% 对标准的非浏览器客户端返回不了任何可用内容，AI 可见性得分的中位数是 100 分里的 50 分。这是成本最低的修复项，也是最常见的失分项。
2. 02把参数做成结构化字段，并附上单位、公差和测试条件——不是表格图片，不是散文式描述，也不是只藏在 PDF 里。
3. 03把生命周期状态做成数据。 在产、NRND（不推荐用于新设计）、最后采购日期、停产日期。助手之所以会自信地推荐已停产的型号，是因为没有任何东西告诉过它们不该这么做。
4. 04把合规与认证做成字段。 RoHS、REACH SVHC、UKCA 与 CE 状态、AEC-Q 或同等级别的认证、原产国。在建筑产品领域则是：防火分级、第三方认证、声明性能。
5. 05明确的替代关系与等效关系。 如果您不公开自己的型号替代了什么、又被什么所替代，助手就会去猜——而它猜得好不好，评判尺度是“听起来像不像”，而不是“能不能通过认证”。
6. 06为那些会变的问题准备一条实时通道。 库存、交期和价格没法靠抓取来提供。Microchip 于 2025 年 11 月发布的 Model Context Protocol 服务器，把经过校验的产品规格、数据手册、库存、价格和交期直接开放给 AI 客户端。这么做的制造商名单目前还非常短——在同一份 984 个域名的审计里，没有一个对外声明了 MCP 端点，而第三方已经围绕主要分销商的公开 API 搭出了非官方的 MCP 封装来填补这个空缺。总会有人把您的目录开放给智能体。那不如就由您自己来做。

一个必须说清楚的边界

这一切都不会让 AI 助手变成一名称职的工程师。Weidmuller 的调研发现，工程师们把实时错误检测和真正自主的设计列为目前缺失的能力；同时约 80% 的人把可靠性与耐久性排为元器件选型中最重要的标准，而把价格放在首位的只有 22%。这种价值排序天然抗拒自动化，因为出错的代价是不对称的，而且要在数年之后才落到头上。

但这说的是“谁来批准”，不是“谁来提案”。提案这一环已经易主了。过去要打开四个分销商网站的工程师，如今只打开一个 AI 助手——而出现在那段答案里的型号，就是被纳入考虑的全部型号。如果您的数据撑不起一个正确的答案，那您不是被否决了——您是根本没有被列进来。

[/audit](/audit) 上的免费评测工具会告诉您，AI 助手此刻从您的目录里读到了什么，以及它把您的哪些型号弄错了。