# 2026 年工程师如何用 AI 做元器件选型

> AI 辅助元器件选型如今已近乎普及，但工程师仍会把每一项关键参数拿去对照数据手册核验。本文结合 2026 年的行业调研与 PCB-QA 基准测试说明，真正拖低准确率的往往不是模型，而是被困在 PDF 里的参数格式，并列出制造商必须以机器可读方式发布哪些内容，才能在这条选型回路中被信任并被列入候选。

**Language:** zh-Hans  
**Published:** 2026-08-09  
**Category:** Market · **Tags:** component selection, design engineers, BOM, datasheets, EDA, trust  
**Canonical:** https://partsgraph.ai/zh/blog/how-engineers-select-components-with-ai

## 简而言之

**工程师究竟如何用 AI 做元器件选型？这些结果可信吗？**

AI 已经成为元器件选型流程中的标准配置，却没有成为流程中的权威。2026 年一项针对 400 名北美工程师的调研发现，超过 90% 的人在 PCB 设计流程中用过 AI 工具，而 75% 的人把 AI 描述为提效与加速层，而不是决策者。工程师用助手来筛出候选、做交叉参考、做对比，然后把每一项关键参数拿去对照数据手册核验——因为助手时常给出过期的价格、已被替代的型号，以及听上去很像那么回事的规格。真正起决定作用的是格式，而不是模型：在 2026 年 6 月的一项基准测试中，同一个模型回答 PCB 设计问题，从 PDF 原理图读取时准确率为 43%，而同样的信息以结构化 JSON 形式给出时，准确率为 88%。

---

## 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？

| 环节 | AI 助手擅长什么 | 它在哪里失手 | 它需要制造商提供什么 |
| --- | --- | --- | --- |
| 需求梳理 | 把一段自然语言的需求描述转成一组参数边界 | 对没有数据支撑的约束条件默默丢弃，例如 AEC-Q100 等级或最小起订量 | 把合规与认证状态做成字段，而不是写成散文 |
| 候选生成 | 几秒钟内给出一份跨厂商的宽口径候选清单 | 凭插值编出并不存在的型号，或给出已被替代的型号 | 完整、及时的目录覆盖，且为机器可读格式 |
| 参数比对 | 自动搭出工程师原本要手工做的那张对比表 | 从 PDF 表格里提取时丢掉单位、公差和测试条件 | 参数数据中每个数值都带上单位与适用条件 |
| 交叉参考 | 快速给出替代料与第二货源 | 把“相似”当成“等效”，无视形状、配合与功能的一致性 | 公开发布等效关系与替代关系 |
| 库存与价格 | 只要能连到实时数据源，就能给出库存与交期 | 从训练数据里搬出几个月前的数字，还说得斩钉截铁 | 一个可实时查询的接口，而不是一个可被抓取的页面 |
| 文档资料 | 自动汇编报批资料包与合规资料包 | 文件找对了，版本引错了 | 版本标识与稳定的文档 URL |

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：

| 输入格式 | 准确率（GPT 5.4 Nano） |
| --- | --- |
| PDF 原理图（图像） | 43% |
| 原生设计文件（文本） | 55% |
| 结构化 JSON | 88% |

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. **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. **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. **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。

> **Figure.** The five points at which a manufacturer is eliminated from an assistant's answer.

## 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. **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. **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. **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. **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. **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. **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。*

## 常见问题

### 工程师真的信任 AI 做元器件选型吗？

他们信任它做收敛，而不是做决定。2026 年 Weidmuller/EETech 对 400 名工程师的调研发现，超过 90% 的人已在 PCB 流程中用过 AI 工具，但 75% 把 AI 定位为现有流程内部的提效与加速层。这个说法非常准确地概括了这些工具的实际用法：快速生成候选，然后把那些一旦出错就会导致重新投板的参数，逐项对照原始资料核验。

### AI 助手为什么会把元器件规格搞错？

有三个彼此不同、却常被混为一谈的原因。一是数据过期：模型背出的是训练数据里的某项规格，而它此后已被替代或停产。二是提取失败：该参数只存在于一张带脚注测试条件的 PDF 表格里，于是数值到达时已经被剥掉了单位、公差和适用条件。三是数据缺失：在完全没有机器可读记录的地方，模型就从相似型号那里插值。只有第三种才是严格意义上的幻觉；前两种是制造商自己能修好的数据供给问题。

### 要提升 AI 在自家型号上的准确率，制造商最该做的一件事是什么？

别再让 PDF 成为参数数据唯一的落脚处。2026 年 6 月发布的 PCB-QA 基准测试用同一批问题横跨不同格式做了对比：某个模型在 PDF 原理图上得分 43%，在原生设计文件上 55%，在结构化 JSON 表示上 88%，而表现最好的模型在 JSON 上达到 93%。同样的问题、同样的底层事实，准确率大约翻了一倍。格式不是一个呈现层的细节——它就是决定准确率的那个变量。

### 工程师和规格编制方实际在用哪些 AI 工具？

在通用助手之外，已经出现了一层垂直领域工具：Flux 做 AI 辅助 PCB 设计，2026 年 2 月融资 3700 万美元，并加入了带实时价格与库存的寻源感知设计；Luminovo 于 2026 年 1 月推出 ElectronicsGPT，定位是面向电子采购的智能体；CELUS 基于其 CUBO 元器件知识库，从需求生成原理图；Cofactr 面向受合规约束的寻源；Parspec 则在建筑产品领域，从图纸和规格书中提取要求，并从一个超过六百万条目的产品库中筛选排序出符合要求的产品。所有这些工具，都处在制造商数据质量的下游。

### AI 助手到底还需不需要我的数据手册 PDF？

需要，但它的角色是证据，而不是数据本身。工程师之所以对照数据手册核验，是因为它是那份受控的、有版本管理的文件，承载着法律与认证上的分量，而且这一点不会改变。错就错在指望机器从它里面推导出参数。正确做法是：发布可供检索的结构化参数，再把 PDF 作为其背后的权威文件链接过去，并带上版本标识。

### 建筑产品与电子元器件相比，情况有什么不同？

流程如出一辙，只是载体不同。规格编制方依据的是图纸、性能规格书和构件明细表，而不是网表；等效性问题也由合规驱动——防火等级、U 值、隔声性能、第三方认证——而不是形状、配合与功能。但失效模式完全一样：性能数据被困在 PDF 技术资料表里，认证状态没有作为字段发布，机器也无从确认产品 A 是否满足条款 B。

### AI 最终会在没有工程师参与的情况下完成选型吗？

就现有证据来看，不会。同一份 2026 年的调研发现，工程师把实时错误检测和完全自主的设计列为目前缺失的能力；约 80% 的人把可靠性与耐久性排为最重要的选型标准，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。更现实的走向是：助手在提出方案并给出依据这件事上会变得非常出色，而工程师继续为批准与否承担责任。

## 资料来源

1. [Automation World, Weidmuller / EETech Research 2026 PCB Design Tools and Component Selection Survey (400 engineers, 24 July 2026)](https://www.automationworld.com/analytics/news/55393457/weidmuller-pcb-design-survey-reveals-ai-tool-impacts)
2. [Srinivasan, Tan, Turnbull and Pearce, PCB-QA: Evaluating LLMs over the First Printed Circuit Board Design Question-Answer Dataset (arXiv, 10 June 2026)](https://arxiv.org/html/2606.23704)
3. [SiliconANGLE, Flux nabs $37M to automate printed circuit board development with AI (27 February 2026)](https://siliconangle.com/2026/02/27/flux-nabs-37m-automate-printed-circuit-board-development-ai/)
4. [Luminovo, Introducing ElectronicsGPT (January 2026)](https://luminovo.com/about/press/luminovo-introduces-electronicsgpt)
5. [Parspec, Parspec raises $20 million Series A (July 2025)](https://www.parspec.io/resources/parspec-raises-20-million-series-a)
6. [CELUS, CELUS showcases AI-powered electronic component matching at embedded world 2026 (9 March 2026)](https://www.businesswire.com/news/home/20260309087228/en/CELUS-Showcases-AI-Powered-Electronic-Component-Matching-Capabilities-at-embedded-world-2026)
7. [Cofactr, $17M Series A for compliance-constrained electronics sourcing (December 2024)](https://www.businesswire.com/news/home/20241212219735/en/Cofactr-Raises-%2417M-Series-A-to-Streamline-Supply-Chain-So-Hardware-Manufacturers-Can-Iterate-Fast-While-Complying-With-Regulations-and-Policies)
8. [Microchip Technology, Microchip unveils Model Context Protocol (MCP) Server (6 November 2025)](https://ir.microchip.com/news-events/press-releases/detail/1344/microchip-technology-unveils-model-context-protocol-mcp-server-to-power-ai-driven-product-data-access)
9. [Forrester, B2B Buyers Make Zero-Click Buying Number One (22 January 2026)](https://www.forrester.com/blogs/b2b_buyers_make_zero_click_buying_number_one/)
10. [Forrester, What It Means That The Leader In Agentic Commerce Just Pulled Back (7 March 2026)](https://www.forrester.com/blogs/what-it-means-that-the-leader-in-agentic-commerce-just-pulled-back/)

## Other languages

- English: https://partsgraph.ai/blog/how-engineers-select-components-with-ai/md
- Deutsch: https://partsgraph.ai/de/blog/how-engineers-select-components-with-ai/md
- Français: https://partsgraph.ai/fr/blog/how-engineers-select-components-with-ai/md
- Español: https://partsgraph.ai/es/blog/how-engineers-select-components-with-ai/md
- Italiano: https://partsgraph.ai/it/blog/how-engineers-select-components-with-ai/md
- Nederlands: https://partsgraph.ai/nl/blog/how-engineers-select-components-with-ai/md
- Polski: https://partsgraph.ai/pl/blog/how-engineers-select-components-with-ai/md
- Português: https://partsgraph.ai/pt/blog/how-engineers-select-components-with-ai/md
- Svenska: https://partsgraph.ai/sv/blog/how-engineers-select-components-with-ai/md
- Türkçe: https://partsgraph.ai/tr/blog/how-engineers-select-components-with-ai/md
- 日本語: https://partsgraph.ai/ja/blog/how-engineers-select-components-with-ai/md
- 한국어: https://partsgraph.ai/ko/blog/how-engineers-select-components-with-ai/md

---

Partsgraph — the agent-ready parts data layer. Free AI-visibility grader: https://partsgraph.ai/zh/audit