Jiao hongbao's Trash

突然想起来我好像还没记录过vimtex，这里来记录一手。 12#sudo pacman -Rns zathura zathura-pdf-mupdf texlive-basic texlive-latex texlive-latexextra texlive-binextra texlive-xetex texlive-langcjk texlive-fontsrecommended texlive-bibtexextra texlive-langchinesesudo pacman -S zathura zathura-pdf-mupdf texlive-basic texlive-latex texlive-latexextra texlive-binextra texlive-xetex texlive-langcjk texlive-fontsrecommended texlive-bibtexextra...

基础部分 contents description systemverilog 在verilog基础上对systemverilog很简短的（部分）新特性描述 UVM 基础的UVM语法和简单的测试流程 verdi synopsys内置调试工具的使用 systemC Chisel 学习一下敏捷型开发语言(A) (A)代表是AI-friendly的版本。 工具使用 contents description python CuTe DSL vLLM SGLang NVIDIA Dynamo NCCL NCCLX 项目驱动 contents description 模块类型 Compute In Memory

现在是刚刚中期答辩结束。在这段时间里深刻地感受到了AI的发展（迫真） 于是在审视之前的计划时发现了很多不合理的地方，包括DV和GPU之类，感觉需要把这些东西放到AI快速发展之后的现在再次重新考虑一下，于是决定把已经写完的东西先保留下来，然后把本来计划要写的东西做成一个更贴近时代的版本。 当然就我的效率来说短期之内肯定写不完，最近AI发展又很快，很多东西又会删删改改，所以决定先把想写的东西整理好，然后一个一个做，每过一段时间重新根据当下的市场和技术发展现状，没写的内容重新思考是否已经过于落后然后整理成贴合当下的版本，已经写好的内容如果感觉很过时可能也重写一下。 这里要写什么内容现在的计划是在当前主线Compute In...

Compute In Memory目前是我的毕设课题，也是之后想认真继续做的方向。正好最近anker innovation发了第一款首款存算AI芯片Thus，去年也有一些跑在存算ASIC芯片上的模型推训做到了性能追平NVIDIA A600，54-118倍能耗，也可以借势多学一些相关前沿的内容。之后会在这里进行一些相关知识的整理。

终于来到了敏捷型语言开发。chisel(Constructing Hardware in a Scala EmbeddedLanguage)提供了更高层次的抽象，可以实现更快速的构建硬件，使得硬件更容易被理解和修改。 chisel’s env要使用chisel首先要有java环境，每到这个环节我们一定要引入一个环境管理工具（因为依旧有多版本java的使用需求）。 这里引入的工具是SDKMAN!，他类似于nodejs的nvm和python的pyenv，可以使用SDKMAN!管理java环境的不同版本。 1curl -s "https://get.sdkman.io" | bash 运行以上命令就可以下载SDKMAN!. 我们可以通过SDKMAN!来安装指定版本的OpenJDK. 1sdk install java 17.0.1-open # install openjdk 17.0.1 安装完成之后的切换版本： 123sdk list javasdk use java 17.0.1-opensdk current...

上一篇居然是4月初，已经有二十多天没写部落格了（大嘘） 这几天用AI用的很爽了，感觉AI进化太快了。那么我们也不能原地不长进，要多用AI，跟紧时代的步伐防止很快被时代淘汰。只用claude-code或者是codex还是不够的，这次我们尝试加入skill，尽量实现一个完全自动化的流程。 不过要小心数据可别泄露了 openclaw with API之前用的本地模型笨笨的，而且还吃本地内存显存，导致跑不了什么大程序，在本地内存吃力的情况下显然不是一个好选择，我们这次切换成API接入外部模型。 首先重新配置一下openclaw，运行openclaw onboard，这次在config handling选择use existing values来稍微节省一点时间。 这次主要的改变是在模型选择的时候选择（已经买过API的）非本地模型，比如我这里选择Anthropic，在Anthropic auth method下选择Anthropic API...

欢迎回来。现在是2026年4月1日。 还是先来谈一下近况，首先是毕设。 毕业设计毕业设计的内容是，设计一个数字存算一体阵列架构，并且进行FPGA设计验证。 我首先来说几句官话： 当前，以YOLO、SSD为代表的深度学习目标检测算法在不断提升检测精度的同时，也面临着计算密集与内存访问瓶颈的严峻挑战。在传统冯·诺依曼架构中，处理器与存储器分离，数据在两者之间频繁搬运，导致巨大的功耗开销与延迟，严重制约了系统算力与能效比的提升。这一问题在边缘计算场景中尤为突出——由于对功耗和实时性要求极为苛刻，传统架构已难以满足实际需求。存算一体（Computing-in-Memory, CIM）技术通过将计算功能嵌入存储器内部，直接利用存储单元完成运算，从根本上消除了数据搬运开销，被视为突破“内存墙”瓶颈的革命性路径。 在当前背景之下，设计存算阵列的意义在于，通过在存储单元中原位实现卷积的乘加运算，降低因为数据搬运产生的动态功耗，为低功耗边缘智能设备提供高性能的计算核心。 在3月17日的时候我创建了一个github...

然后就是最近比较火的openclaw，当然也要尝试一手。 install首先安装必要的依赖：npm install -g node-addon-api node-gyp 安装openclaw的方法有三种，首先是arch用户可以通过yay -S openclaw-git通过AUR下载，但是AUR带有git后缀的一般是源码编译，一般来说会比较慢。 不过openclaw本质上是nodejs应用，所以其实应该只是npm安装。 第二种就是直接通过npm/pnpm安装，npm install -g openclaw@latest需要调整nodejs版本为22.16+. 第三种是，ollama现在官方支持使用openclaw，只要ollama launch openclaw就可以完成安装和使用。 考虑到openclaw本身也需要烧token，还是选择使用ollama local model + openclaw. 其实都需要nodejs...

也是来尝试使用先进的AI工具了。这次尝试使用一手codex和claude-code. codex我们先来尝试codex. install首先是通过nvm管理需要的npm(nodejs)环境，因为我这里有同时使用很多不同版本nodejs的需求。 先下载nvm: 1curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash 然后在.zshrc中添加路径（如果没有自动添加的话）： 1234export NVM_DIR="$HOME/.nvm"[ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh" # This loads nvm[ -s "$NVM_DIR/bash_completion" ] && \. "$NVM_DIR/bash_completion" # This loads nvm...

之前一直在用terminal做所有的仿真和测试，看波形的机会没有很多，偶尔看过几次也是用gtkwave看的。但是说实话verdi还是有必要学一下的，毕竟是业界标准仿真工具（逃） why verdi通过$display+gtkwave的方式对于小模块来说完全够用，但是当设计比较复杂的时候，信号线会有很多，想要找到他的驱动源光看waveform还是比较困难。 verdi是synopsys的一个调试平台，这个软件是把波形，源码，原理图等联合到一起，可以从一根有问题的信号线出发，快速定位到他的驱动逻辑。在业界verdi是很常用的debug工具，一般会配合Synopsys VCS/Cadence NC来做simulation. verdi要读取三类文件：design(.v/.sv), testbench(.v/.sv), waveform(.fsdb).其中.fsdb是compiler生成的synopsys系的波形文件。 open...