Галлюцинации нейросетей ломают прошивки: репозиторий на 8 плат учит ИИ реальной распиновке

---

Разработчик встраиваемых систем под ником alexex1993 выложил на GitHub открытый репозиторий mcu-skills, который решает одну из болезненных проблем при работе с ИИ-ассистентами: галлюцинации нейросетей о конкретных платах и распиновке, из-за которых код компилируется без ошибок, но на живом железе ничего не работает.

Проблему описал сам автор: большие языковые модели (LLM, нейросети, которые генерируют текст и код) уверенно пишут прошивки, но не учитывают аппаратные особенности конкретной платы. Галлюцинации нейросетей здесь выглядят не как бред в тексте, а как аккуратный, компилируемый код, который молча не работает на макетке. Источник знания о подводных камнях каждой платы размазан между даташитом, вики производителя и личным опытом отладки. Модель туда не заглядывала, а репозиторий mcu-skills упаковывает именно это знание в формат, который ИИ-агент (программа, выполняющая задачи самостоятельно) подхватывает автоматически.

Какие ошибки LLM это закрывает?

Автор приводит конкретные примеры молчаливых сбоев, которые порождают галлюцинации нейросетей при генерации кода для плат:

• Waveshare ESP32-C6-LCD-1.47: дисплей и слот microSD сидят на одном SPI (интерфейс последовательной связи). Контакты MOSI (GPIO6) и SCLK (GPIO7) общие. Модель, не зная этого, разводит их по разным шинам и получает конфликт, который выглядит как плохой контакт или мёртвая карта памяти.
• Raspberry Pi Pico: пины GPIO23, 24, 25 и 29 существуют в коде, но физически отсутствуют на 40-пиновом разъёме. Проект компилируется, заливается, «работает», а на макетке ничего не происходит.
• ESP32: канал ADC2 (аналого-цифровой преобразователь, второй канал) полностью занят Wi-Fi, пока радио активно. Датчики на ADC2 молча возвращают таймаут без объяснений.
• STM32F411: тактовая частота 100 МГц вместо нужных 96 МГц убивает USB. А функция HAL_Delay() вешает плату, потому что нужно вручную определить обработчик SysTick_Handler, о чём почти нигде не написано.

Все эти случаи объединяет одно: компилятор не ловит ошибку, а модель не знает о проблеме.

Что внутри репозитория?

Каждый «навык» (skill) — это каталог с тремя слоями:

• SKILL.md — выжимка, которая читается всегда: карта пинов, характеристики чипа, правила, предотвращающие дорогие ошибки.
• reference/ — глубокие детали, подгружаемые по необходимости: полная разводка пинов с альтернативными функциями, периферия, таблица подводных камней.
• template/ — рабочий проект, который собирается и прошивается. Каждая строка взята из реального кода, а не написана по памяти модели.

Сейчас в репозитории 8 плат: два STM32, четыре ESP32, Arduino Nano на ATmega328P и Raspberry Pi RP2040.

Как попробовать?

1. Склонируйте репозиторий: git clone https://github.com/alexex1993/mcu-skills.git
2. Посмотрите список доступных плат: cd mcu-skills && ./scripts/install.sh --list
3. Установите навык для нужной платы, например: ./scripts/install.sh stm32f411-blackpill
4. Откройте Claude Code (ИИ-ассистент для разработки от Anthropic). Навык подхватится автоматически при работе с этой платой. Для привязки к конкретному проекту скопируйте каталог навыка в .claude/skills/ внутри папки с прошивкой.

Зачем это в длинных проектах?

Автор отдельно описывает ситуацию, когда проект тянется месяцами: FreeRTOS (операционная система реального времени для микроконтроллеров) с десятками задач, датчики на трёх шинах, общие пины, таймеры и каналы DMA (прямой доступ к памяти, способ передачи данных в обход процессора).

У разработчика на второй неделе в голове уже карта: таймер 2 отдан под подсветку, SPI2 делят дисплей и карта памяти, аналоговые входы A0/A1 заняты. У модели каждая сессия начинается с чистого листа. Навык, лежащий в git рядом с прошивкой, ломает этот цикл: знание переживает сессии, версионируется вместе с кодом и фиксирует, какой ресурс чем занят.

По сути навык работает как односторонний интерфейс между архитектурой проекта и платой: модель перестаёт предлагать код, нарушающий уже распределённые ресурсы.

Есть ли аналоги в России?

Прямого аналога mcu-skills для российских ИИ-ассистентов нет. YandexGPT и GigaChat умеют генерировать код, но не поддерживают механизм навыков (skills), который автоматически подгружает контекст конкретной платы. Репозиторий заточен под Claude Code. Русскоязычный разработчик может использовать его напрямую, Claude Code доступен по подписке Anthropic без региональных ограничений на сам инструмент.

Кому это полезно прямо сейчас?

Разработчику встраиваемых систем в РФ и СНГ. Если вы пишете прошивки для STM32, ESP32, Arduino или RP2040 с помощью ИИ-ассистента, репозиторий закрывает разрыв между «код компилируется» и «код работает на плате». Клонируйте, установите навык для вашей платы, проверьте на ближайшем проекте.

Автору Дзена, пишущему про электронику и DIY. Тема галлюцинаций нейросетей в embedded хорошо заходит как контент: конкретные примеры сбоев наглядны, боль знакома аудитории, а решение можно показать в формате «было/стало».

Руководителю небольшой команды. Навык, зафиксированный в git, превращает знание о граблях из устной традиции в артефакт проекта. Новый человек в команде получает контекст вместе с репозиторием, а не через час объяснений в чате.

Частые вопросы

Нужно ли платить за использование mcu-skills?

Сам репозиторий бесплатный и открытый. Но для его работы нужен Claude Code, ИИ-ассистент от Anthropic, который требует подписки. Навыки подгружаются в Claude Code автоматически после установки.

Можно ли добавить свою плату?

Да. Формат навыка документирован: три файла (SKILL.md, reference/, template/). Если у вас есть плата, которой нет в репозитории, вы можете собрать навык самостоятельно и отправить pull request на GitHub.

Работает ли это с ChatGPT или другими моделями?

Репозиторий заточен под Claude Code и его механизм навыков. Для других ИИ-ассистентов файлы можно использовать как справочник вручную: скопировать содержимое SKILL.md в промпт (текстовую инструкцию для модели) или в системный промпт (постоянную инструкцию, действующую на всю сессию), но автоматической подгрузки не будет.