（TODO）

最近越用越多，感觉已经离不开了。。。看到其实可以在下面创建规则，所以详细记录一下。如果你是在环境下，想给 AI 配置统一规则（Rules MD），目前官方推荐的方式是使用目录，而不是老的.roorules文件。

本文分享了开发者体验Cursor、Deepseek等AI编程助手的全过程：1. 测试Cursor发现其Python开发能力突出，能快速将简单循环代码扩展为带图形界面的程序；2. 在嵌入式领域成功用Cursor生成高通RB5开发板的LED控制程序，可直接运行；3. 因Cursor的token成本问题，尝试配置Deepseek API未果，最终采用VSCode+RooCode+Deepseek方案获得

本文介绍了开源实时操作系统Zephyr的安装与使用流程。Zephyr由Linux基金会主导开发，相比FreeRTOS提供了更完整的框架支持。安装过程包括：1)通过West工具链获取源码（建议使用国内镜像加速）；2)安装Minimal SDK并按需配置工具链；3)编译树莓派Pico的blink示例程序，生成UF2格式固件可直接烧录。文中详细记录了环境配置命令、编译日志和目录结构，并针对国内网络环境提

相机3A = AE自动曝光、AF自动对焦、AWB自动白平衡，是成像系统最核心的三大基础算法，3A 一般运行在ISP（图像信号处理器） 或主控 SoC，典型链路：Sensor 输出原始 RAW → ISP 预处理 → 3A 统计模块采集画面数据 → 3A 算法计算 → 反馈控制：控制 Sensor：曝光时间、模拟增益、数字增益控制镜头：马达驱动对焦、光圈控制 ISP：色温矩阵、色彩增益所有 3A 都

感觉用这玩意越来越多，所以想学学。不过没想好怎么学，也没有提纲，买了两本书，一本是深度学习入门，小日子写的。还有就是回Gatech参加线上课程，提纲大概是这样的。从提纲可以看到，核心还是神经网络。

摘要：TinyML项目实施需优先考虑数据集准备，主要有三种方式：（1）使用成熟数据集，如Kaggle、UCI等平台提供的多领域数据，或主流框架（TensorFlow、PyTorch等）自带数据集；（2）自建数据，通过传感器采集、清洗存储（如InfluxDB、Hadoop等），并构建数据湖/仓库实现数据驱动决策；（3）仿真构建，通过物理建模或虚拟环境生成带标签数据。以特斯拉为例，其在中国采用本地存储

主要是AOSP，还有BP的各个部分，ADSP，modem，蓝牙这些。BP的很多是各式各样的操作系统，好像还有DOS的。不过这都不重要，因为都有脚本。高通的软件说真的有点怪，只到了img编译的程度，要做成flat包要自己去做分区表和打包，我不是很明白为什么高通不做成一键式。好了，基本的内容其实就这些，也没有太大的技术难度。本来想贴一些文档的内容，但是考虑到这个有信息安全的问题，就简单写几句。如果是f

用通俗语言对比 MMAP、USERPTR、DMABUF 的原理、优缺点、适用场景（比如 DMABUF 多用于 AI / 编码零拷贝）。配套生态工具（FFmpeg、GStreamer、OpenCV）用法，演示调用 V4L2 设备的基础用法。，给关键函数、结构体增加注释，重点标注 buffer 处理、格式配置等易错环节。进阶场景（多通道采集、DMA 零拷贝、缓冲区同步、动态调试、udev 权限配置）用

本文介绍了嵌入式开发中GPIO控制的核心操作，重点讲解了Linux环境下使用gpiod工具进行GPIO状态查看和设置的方法。文章详细解析了树莓派平台上的GPIO分组情况，区分了用户可用的40针排针GPIO和内部专用GPIO。通过gpiodetect、gpioinfo等命令展示了GPIO状态查看方法，包括方向、电平、偏置等参数。在设置方面，说明了方向控制、输出值设定、上下拉偏置配置和中断边沿检测等关