AI 开发自定义算法

测试流程里总有一些"标准节点搞不定"的环节——比如按频率补偿功放增益滚降、按误差实时修正驱动幅值。这类逻辑过去只能由会写代码的人进「算法维护」手工编写。有了 atecloud-flow-edit 技能，你用自然语言描述算法思路，AI 就能设计公式、编写代码、注册算法、接入流程，一次完成。

本页以「功放调试」项目为例：把流程中写死的幅值更新逻辑，替换为灵活的"基于频率的前馈 + 比例调节"自定义算法。

步骤 1：指出要改造的环节

打开「功放调试」项目的流程编辑页。原流程在"更新当前幅值"环节用的是固定参数的全局参数更新节点——不够灵活，希望改为自定义算法。

流程中待改造的幅值更新环节

在 WorkBuddy 中输入：

我希望通过自定义算法实现一个基于频率的前馈+比例调节算法

步骤 2：AI 读图并确认语义

AI 附着会话、读取画布后，先复述它理解的流程结构：频率步进 100kHz~1MHz，每个频点保持 30 秒后测功放输出 VPP，超差时按「目标/实测比值 × 当前幅值」做比例修正。

在动手写算法前，AI 发现一个关键语义分歧，主动向工程师提问确认：

「基于频率的前馈+比例调节」中，比例项（P）的误差应该基于什么？这决定算法入参和接法。
频率闭环（V1 现状）
幅值补偿（前馈按频率）
两种都要

AI 就算法语义向工程师提问

关键决策由人拍板

AI 负责把分歧讲清楚、给出选项，"比例调节的对象是谁"这类工艺决策仍由工程师确认——这保证了算法行为符合测试意图。

步骤 3：AI 设计算法

确认语义后，AI 给出完整的算法设计：

组成	公式	作用
前馈项	`ff_out = amp_now + ff_gain × freq_now`	按当前频点补偿功放增益滚降（基准幅值 + 频率补偿量），承担随频率变化的主要调节量
比例项	`p_out = kp × (vpp_target - vpp_meas)`	按输出幅值误差即时修正
新驱动幅值	`amp_new = ff_out + p_out`，限幅 `[amp_min, amp_max]`	前馈 + 比例合成，并做安全限幅

AI 推理并设计算法公式

步骤 4：算法节点接入流程

算法本体创建后，AI 把它作为计算节点更新到流程画布中，替换原来写死的幅值更新环节，并接好上下游的数据引用（目标 VPP、实测 VPP、当前幅值、当前频率 → 新驱动幅值）。

算法节点已经更新到流程中

步骤 5：在算法维护中查看

进入「平台扩展 → 算法维护」，可以看到新增的算法「频率前馈比例调节」（应用场景：测试流程，算法模式：自定义）。

算法维护列表中的新算法

点开查看算法：AI 生成的是标准 Python 函数，输入参数与返回数据都已按平台规范登记：

python

def freq_ff_p_control(vpp_target, vpp_meas, amp_now, freq_now, ff_gain, kp, amp_min, amp_max):
    """功放幅值调节：基于频率的前馈 + 输出比例调节（FF+P）。"""
    ff_out = float(amp_now) + float(ff_gain) * float(freq_now)
    p_out = float(kp) * (float(vpp_target) - float(vpp_meas))
    amp_new = ff_out + p_out
    if float(amp_max) > float(amp_min):
        amp_new = min(max(amp_new, float(amp_min)), float(amp_max))
    return {"ff_out": ff_out, "p_out": p_out, "amp_new": amp_new}

输入参数（8 个）：目标峰峰值、实测峰峰值、当前驱动幅值、当前频率、前馈增益、比例系数、幅值下限、幅值上限
返回数据（3 个）：前馈项 ff_out、比例项 p_out、新驱动幅值 amp_new

算法代码与参数定义

算法就绪后，可继续让 AI 启动调试验证调节效果，确认无误即可保存发布。

完整操作视频

▶ AI 开发自定义算法完整演示（频率前馈 + 比例调节）

AI 开发自定义算法 ​

步骤 1：指出要改造的环节 ​

步骤 2：AI 读图并确认语义 ​

步骤 3：AI 设计算法 ​

步骤 4：算法节点接入流程 ​

步骤 5：在算法维护中查看 ​

完整操作视频 ​

相关链接 ​