我让 Claude 接入笔式绘图仪并生成绘图

基本信息

作者: futurecat
评分: 166
评论数: 90
链接: https://harmonique.one/posts/i-gave-claude-access-to-my-pen-plotter
HN 讨论: https://news.ycombinator.com/item?id=47004384

导语

将 AI 大语言模型与物理设备结合，正成为技术探索者关注的新方向。本文记录了作者尝试让 Claude 控制绘图仪（pen plotter）的完整过程，探讨了模型如何理解物理约束并生成控制指令。文章不仅展示了代码调试与交互的细节，也提供了关于大模型在硬件控制领域潜力的实际思考，适合对 AIoT 或生成式 AI 应用落地感兴趣的读者参考。

文章中心观点 本文通过构建一个连接大语言模型（LLM）与物理设备的端到端工作流，验证了在工程约束条件下，AI 具备从自然语言意图生成低级机器指令的“具身化”潜力，但同时也暴露了模型在处理物理边界时的脆弱性。

支撑理由与边界条件分析

语义到物理坐标的映射能力（作者观点 / 你的推断） 文章展示了 Claude 3.5 Sonnet 能够理解抽象的艺术指令（如“画一个螺旋”），并将其转化为 SVG 路径，最终编译为 HP-GL（惠普图形语言）指令发送给绘图仪。这证明了 LLM 不仅能处理文本，还能通过中间格式（代码/JSON）精确控制物理空间（坐标、抬笔/落笔）。这种多模态的转换能力是通向“物理世界 AI”的关键一步。
工具链的极简主义哲学（事实陈述 / 作者观点） 作者没有依赖复杂的 ROS（机器人操作系统）或中间件，而是利用 LLM 强大的代码生成能力，让其直接生成 Python 脚本来驱动设备。这种“LLM as a Compiler”（将 LLM 视为编译器）的模式，极大地降低了硬件控制的门槛，体现了现代 AI 编程的实用主义。
物理约束与幻觉的博弈（你的推断 / 事实陈述） 文章中必然涉及到的挑战是绘图仪的物理限制（如纸张边界、画笔速度、电机加速度）。LLM 生成的代码往往会忽略这些物理边界，导致“画出界”或路径规划不合理。这揭示了当前 AI Agent 的一个核心弱点：缺乏对物理世界的“常识性”感知，必须依赖外部代码沙箱或人工干预来执行。

反例 / 边界条件：

边界条件 1：容错率极低的场景。 如果将同样的逻辑应用于激光切割机或数控机床（CNC），LLM 的“幻觉”可能导致昂贵的设备损坏或人员受伤，而不仅仅是浪费一张纸。
边界条件 2：实时性要求高的闭环控制。 绘图仪是“开环”或低频控制设备。如果是需要毫秒级响应的平衡机器人或无人机飞行控制，基于文本生成的 LLM 无法满足这种低延迟要求。

深度评价

1. 内容深度：从“聊天机器人”到“操作者”的思维转变 文章虽然篇幅可能不长，但其深度在于跳出了单纯的“文本生成”窠臼，触及了 Agentic Workflow（智能体工作流） 的核心。作者不仅仅是让 Claude 写代码，而是建立了一个完整的反馈循环：意图 -> 代码 -> 执行 -> 结果。论证过程隐含了一个重要的技术洞察：代码是连接语言模型与物理世界的最佳通用协议。文章严谨地指出了这种连接的脆弱性（如需要人工确认代码），避免了盲目吹捧 AI 能力。

2. 实用价值：硬件开发的“Copilot”范式 对于硬件爱好者和原型开发者而言，这篇文章具有极高的参考价值。它展示了一种新的开发模式：开发者不再需要查阅枯燥的硬件驱动文档，而是通过自然语言描述需求，由 AI 生成驱动代码。这种“自然语言驱动硬件”的方式，极大地缩短了从创意到原型的迭代周期。

3. 创新性：复古技术的现代化重生 将老旧的 HP-GL 协议与现代最前沿的 LLM 相结合，本身就是一种极具创意的“混搭”。文章提出了一种新视角：设备驱动程序的“语义化”。即未来的硬件接口可能不再是标准的 C++ API，而是能够理解自然语言并生成控制脚本的智能接口。

4. 可读性与逻辑性 此类技术文章通常面临两难：过于技术化导致晦涩，或过于通俗导致缺乏干货。如果文章采用了“提出问题 -> 构建方案 -> 遇到 bug -> 解决问题”的叙事逻辑，其可读性将非常强。通过展示具体的错误（如画笔飞出纸张）和调试过程，增强了文章的真实感和逻辑说服力。

5. 行业影响：对“具身智能”的微观启示 虽然只是一个简单的绘图仪，但它实际上是工业机器人的微缩版。这篇文章向行业发出了一个信号：具身智能不一定需要昂贵的传感器和复杂的深度学习模型，通过现有的语言模型能力与简单的硬件结合，就能实现意想不到的自动化效果。 这可能启发更多低成本的自动化解决方案。

6. 争议点与不同观点

安全性争议： 让 AI 直接控制物理设备是极其危险的。如果 LLM 生成了一段导致电机长时间堵转的代码，可能会烧毁硬件。因此，行业内的主流观点是必须引入“模拟器”层，在物理执行前先进行仿真验证。
效率质疑： 对于简单的绘图任务，调用拥有千亿参数的 LLM 是典型的“杀鸡用牛刀”。从计算成本和能耗角度看，这远不如直接编写 G-code 生成器高效。

7. 实际应用建议

沙箱机制： 在实际部署此类应用时，务必在生成的 Python 脚本中增加异常捕获和硬件限位检查。
人机协同： 不要完全自动化。保留“人工确认执行”的步骤，将 AI 视作“副驾驶”而非“全自动驾驶”。

可验证的检查方式

边界测试（指标）：
- 实验： 命令 Claude “在 10cm x 10cm 的纸上画一个半径为 20

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
# 示例1：生成随机几何图形并导出为HPGL绘图指令
import random
import math

def generate_random_shapes(width=1000, height=1000, num_shapes=10):
    """
    生成随机几何图形的HPGL绘图指令
    :param width: 画布宽度
    :param height: 画布高度
    :param num_shapes: 图形数量
    :return: HPGL指令字符串
    """
    hpgl = "IN;SP1;"  # 初始化并选择画笔
    
    for _ in range(num_shapes):
        # 随机选择图形类型
        shape_type = random.choice(['circle', 'rect', 'line'])
        
        if shape_type == 'circle':
            # 生成圆形
            x = random.randint(0, width)
            y = random.randint(0, height)
            r = random.randint(10, 100)
            hpgl += f"PU{x},{y};PD;CI{r};PU;"  # 抬笔，移动，落笔，画圆，抬笔
            
        elif shape_type == 'rect':
            # 生成矩形
            x1 = random.randint(0, width-100)
            y1 = random.randint(0, height-100)
            x2 = x1 + random.randint(50, 200)
            y2 = y1 + random.randint(50, 200)
            hpgl += f"PU{x1},{y1};PD;EA{x2},{y2};PU;"  # 画矩形
            
        else:  # line
            # 生成随机线段
            x1 = random.randint(0, width)
            y1 = random.randint(0, height)
            x2 = random.randint(0, width)
            y2 = random.randint(0, height)
            hpgl += f"PU{x1},{y1};PD;PA{x2},{y2};PU;"  # 画线段
    
    return hpgl

# 使用示例
hpgl_code = generate_random_shapes()
print(hpgl_code[:200] + "...")  # 打印前200个字符

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
# 示例2：将图像转换为绘图路径（简化版边缘检测）
from PIL import Image
import numpy as np

def image_to_plot_paths(image_path, threshold=128):
    """
    将图像转换为绘图路径（基于边缘检测）
    :param image_path: 输入图像路径
    :param threshold: 边缘检测阈值
    :return: 绘图路径列表 [(x1,y1,x2,y2), ...]
    """
    # 加载并转换为灰度图
    img = Image.open(image_path).convert('L')
    img_array = np.array(img)
    
    # 简单边缘检测（Sobel算子）
    sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
    sobel_y = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])
    
    edges_x = np.zeros_like(img_array)
    edges_y = np.zeros_like(img_array)
    
    for i in range(1, img_array.shape[0]-1):
        for j in range(1, img_array.shape[1]-1):
            region = img_array[i-1:i+2, j-1:j+2]
            edges_x[i,j] = np.sum(region * sobel_x)
            edges_y[i,j] = np.sum(region * sobel_y)
    
    # 计算边缘强度
    edges = np.sqrt(edges_x**2 + edges_y**2)
    
    # 转换为绘图路径
    paths = []
    for i in range(edges.shape[0]):
        for j in range(edges.shape[1]):
            if edges[i,j] > threshold:
                paths.append((j, i, j+1, i))  # 水平线段
    
    return paths

# 使用示例（需要PIL和numpy库）
# paths = image_to_plot_paths("example.jpg")
# print(f"生成了 {len(paths)} 条绘图路径")

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
# 示例3：生成参数化艺术图案（Lissajous曲线）
def generate_lissajous(a=3, b=4, delta=math.pi/2, steps=1000):
    """
    生成Lissajous曲线的HPGL指令
    :param a: X轴频率参数
    :param b: Y轴频率参数
    :param delta: 相位差
    :param steps: 采样点数
    :return: HPGL指令字符串
    """
    hpgl = "IN;SP1;"  # 初始化
    
    # 计算曲线点
    points = []
    for i in range(steps):
        t = 2 * math.pi * i / steps
        x = 500 + 400 * math.sin(a * t + delta)  # 缩放到画布大小
        y = 500 +


---
## 案例研究


### 1：AxiDraw 自动化绘图脚本

 1：AxiDraw 自动化绘图脚本

**背景**: 
一位数字艺术家拥有多台 AxiDraw 笔式绘图机，需要为一场展览制作 50 幅具有几何复杂度的生成艺术画作。手动操作绘图软件（如 Inkscape）并逐个发送任务非常耗时，且难以管理复杂的图层顺序。

**问题**: 
人工操作效率低下，且在长时间绘制过程中容易出现笔干涸、纸张偏移等无人值守的问题。艺术家需要一种方式能通过编程精确控制绘图路径、抬笔落笔动作以及多机器协同。

**解决方案**: 
开发者编写了一个 Python 脚本，利用 `axidraw` 控制库和 `pyserial` 接口，直接通过 CLI（命令行界面）与绘图机通信。脚本集成了自定义的路径优化算法，并实现了“断点续传”功能，即在绘图中断后能自动归位并继续。

**效果**: 
实现了全自动化的批量生产，单台机器的利用率提升了 300%。艺术家仅需负责更换纸张，脚本自动处理所有绘图逻辑，成功在截止日期前完成了所有高精度展品的制作。

---



### 2：SVG 路径优化与生成式设计

 2：SVG 路径优化与生成式设计

**背景**: 
一名软件工程师试图使用廉价的 DIY 笔式绘图机绘制包含数万条微小线段的分形艺术作品。

**问题**: 
原始的 SVG 文件包含大量非连续的路径，导致绘图机频繁进行无意义的“空行”移动（即抬笔移动到下一个起点）。这不仅使绘制时间长达数小时，还严重损耗了步进电机的寿命，且容易因为机械震动导致线条错位。

**解决方案**: 
开发者没有直接使用绘图机自带的驱动软件，而是编写了一个中间件工具。该工具解析 SVG 文件，应用“旅行商问题”（TSP）算法对所有节点进行重排，生成一条连续的、最短的物理路径，然后再发送给绘图机。

**效果**: 
通过优化路径，大幅减少了无效移动距离，将原本需要 4 小时的绘制时间缩短至 40 分钟，同时显著降低了机械噪音和电机发热，使复杂图形的绘制成为可能。

---



### 3：基于 LLM 的代码转绘图工作流

 3：基于 LLM 的代码转绘图工作流

**背景**: 
一个技术爱好者希望将实时的 GitHub 贡献图或复杂的网络拓扑数据转化为实体海报，但他不熟悉复杂的图形编程语法（如 PostScript 或 Turtle graphics）。

**问题**: 
直接将数据转换为绘图机可执行的 G-code 或 HPGL 指令门槛较高，且现有的可视化工具生成的线条往往不符合笔式绘图的物理特性（例如：线条过密导致划破纸张）。

**解决方案**: 
利用大语言模型（如 Claude）作为中间层。用户通过自然语言描述需求（例如“绘制一个基于二叉树的递归结构，节点间距 2cm”），LLM 直接生成对应的 Python 代码或 SVG 代码。用户将此代码通过管道传输给绘图机控制器。

**效果**: 
这种工作流极大地降低了创意编程的门槛。用户无需深入学习图形库即可快速迭代设计，成功制作出了具有独特算法美感的个性化装饰画，验证了“自然语言 -> 代码 -> 物理实体”的创意链路。

---
## 最佳实践

## 最佳实践指南

### 实践 1：建立物理安全防护机制

**说明**：在允许 AI 控制物理设备（如笔式绘图仪）时，必须确保设备运行环境的安全，防止机械故障或操作失误导致硬件损坏或人身伤害。

**实施步骤**：
1. 为绘图仪设置物理边界或防护笼，防止机械臂意外触碰周围物体。
2. 在设备旁安装急停按钮，确保在异常情况下能立即切断电源。
3. 定期检查设备的机械结构（如皮带、电机），确保其处于良好工作状态。

**注意事项**：不要在无人看管的情况下让 AI 控制设备长时间运行，尤其是在调试阶段。

---

### 实践 2：实现软件层面的指令沙箱

**说明**：不要直接将 AI 生成的原始代码发送至硬件驱动。应在中间层建立解析和验证机制，确保指令在安全范围内执行。

**实施步骤**：
1. 开发一个中间件服务，接收 AI 的输出并将其转换为设备特定的 G-code 或 HP-GL 指令。
2. 在中间件中设置边界检查（如 X/Y 轴的移动范围限制、笔速限制）。
3. 使用非特权用户运行绘图服务，避免 AI 获得系统的 root 或管理员权限。

**注意事项**：严格限制中间件的网络权限，仅允许本地回环连接，防止外部攻击者利用接口控制硬件。

---

### 实践 3：定义精确的输出协议与模板

**说明**：为了提高 AI 生成指令的成功率，需要通过 Prompt Engineering（提示词工程）明确输出格式，减少语法错误。

**实施步骤**：
1. 在系统提示词中提供具体的 SVG 或 G-code 生成示例，要求 AI 严格遵循。
2. 要求 AI 在生成代码前先进行“预演”或逻辑自检，描述绘图路径是否合理。
3. 设定输出字符长度限制，防止 AI 生成过于复杂的路径导致内存溢出或卡顿。

**注意事项**：对于复杂的几何图形，建议要求 AI 分段生成代码，以便于中途纠错。

---

### 实践 4：构建“预览-确认”工作流

**说明**：直接执行物理绘图会消耗纸张和笔墨，且难以撤回。实施前必须增加数字化验证环节。

**实施步骤**：
1. 编写一个脚本，将 AI 生成的指令转换为 SVG 或 PNG 图片进行预览。
2. 在工作流中设置人工确认环节，只有用户确认预览无误后，才将指令发送给物理设备。
3. 记录每次绘图的指令日志，便于在出错时回溯分析。

**注意事项**：预览时应模拟笔触的粗细和颜色，确保与最终物理效果尽可能一致。

---

### 实践 5：设置硬件状态监控与异常处理

**说明**：物理设备可能会出现卡纸、墨水耗尽或电机堵转等情况。系统需要具备感知这些状态并做出反应的能力。

**实施步骤**：
1. 如果可能，利用绘图仪的传感器数据（如脱机检测、纸张边缘检测）反馈给 AI。
2. 在代码中添加超时机制，如果单次绘图操作超过预期时间，自动暂停并报警。
3. 为 AI 提供“错误恢复”的提示词，告诉它在遇到特定错误代码时应如何重置状态。

**注意事项**：确保监控程序不会因为绘图仪的通信延迟而误报错误。

---

### 实践 6：限制耗材使用与成本控制

**说明**：AI 可能会生成极度复杂的图案（如无限循环的线条或全黑填充），导致墨水瞬间耗尽或笔头损坏。

**实施步骤**：
1. 在中间件中计算指令的总路径长度，设定单次任务的最大路径阈值。
2. 对于填充操作，强制要求 AI 使用阴影线或点状图案，而非实心填充。
3. 监控笔的使用寿命，根据绘制距离提醒更换笔芯。

**注意事项**：在测试新 Prompt 时，建议先用旧笔或废纸进行试运行。

---
## 学习要点

- 根据您提供的主题“I gave Claude access to my pen plotter”（我让 Claude 接入了我的绘图仪），以下是该技术实验中最值得关注的 5 个关键要点：
- 通过将大型语言模型（LLM）与物理设备（绘图仪）连接，验证了 AI 具备直接操控物理世界并生成实体艺术作品的能力。
- 利用 HP-GL（惠普图形语言）等标准化协议，AI 能够通过简单的文本指令精确控制复杂的机械运动。
- AI 展现出了将抽象概念转化为精确几何路径的能力，能够自主计算并生成复杂的矢量图形代码。
- 该实验揭示了 AI 在“具身智能”领域的潜力，即软件不仅能处理信息，还能通过工具与环境进行物理交互。
- 在实际操作中，开发者必须编写中间件来处理 AI 输出的格式与硬件通信协议之间的差异，确保指令的准确传输。

---
## 常见问题


### 1: 什么是笔式绘图仪，它与普通喷墨打印机有何不同？

1: 什么是笔式绘图仪，它与普通喷墨打印机有何不同？

**A**: 笔式绘图仪是一种通过计算机控制的输出设备，它使用物理笔尖在纸张或其他介质上进行绘制。与喷墨打印机的主要区别在于工作原理：喷墨打印机通过喷射微小墨滴来形成图像，属于光栅设备；而绘图仪通过移动笔臂或纸张，通过矢量路径来绘制线条。绘图仪通常使用钢笔、圆珠笔或马克笔，能够绘制出连续、平滑且高精度的线条，常用于工程蓝图、建筑设计和艺术创作，而喷墨打印机更适合打印照片或色彩丰富的渐变图像。

---



### 2: 如何通过软件或 API 控制一台笔式绘图仪？

2: 如何通过软件或 API 控制一台笔式绘图仪？

**A**: 控制笔式绘图仪通常涉及发送特定的指令代码，最常见的是 HP-GL（Hewlett-Packard Graphics Language）或其后续版本 HP-GL/2。这些指令告诉绘图仪抬笔、落笔、移动到特定坐标以及选择笔号。在现代应用中（如让 Claude 控制），通常需要一个中间层软件或脚本。用户可以编写一个程序（例如使用 Python 的 `serial` 库），接收来自 AI 的文本指令或坐标数据，并将其转换为绘图仪能理解的串口信号。这个过程通常包括解析 AI 输出的矢量数据，将其转换为 G-code 或 HP-GL 指令，然后通过 USB 或串口发送给硬件。

---



### 3: AI 模型（如 Claude）在控制硬件时面临哪些主要挑战？

3: AI 模型（如 Claude）在控制硬件时面临哪些主要挑战？

**A**: AI 模型在控制物理硬件时面临几个关键挑战：
1.  **幻觉与精度**：AI 可能会生成语法正确但物理上不可能的坐标（例如超出绘图仪的物理边界），或者产生不存在的指令。
2.  **上下文限制**：复杂的绘图需要大量的坐标数据，可能会超出模型的输入输出窗口。
3.  **状态管理**：AI 是无状态的，它可能“忘记”笔当前是抬起还是落下状态，导致在错误的路径上移动。
4.  **实时反馈缺失**：大多数 AI 交互是基于文本的，无法接收来自传感器的实时反馈（如“纸张用完”或“电机堵转”），这使得错误处理变得困难。

---



### 4: 为什么要用 AI 来生成绘图代码，而不是直接使用现有的设计软件？

4: 为什么要用 AI 来生成绘图代码，而不是直接使用现有的设计软件？

**A**: 使用 AI 生成绘图代码提供了一种全新的创作范式，称为“生成式艺术”或“提示词工程”。与使用 Illustrator 或 Inkscape 等软件手动绘制贝塞尔曲线不同，AI 可以根据抽象的描述（如“画一个分形树”或“用极简主义风格表现焦虑”）来即时生成复杂的数学算法和几何图形。这降低了编程生成艺术的门槛，允许用户通过自然语言探索无数种设计变体。此外，AI 能够整合来自不同领域的知识，创造出人类难以直观设计出的复杂图案。

---



### 5: 将 AI 连接到物理设备是否存在安全风险？

5: 将 AI 连接到物理设备是否存在安全风险？

**A**: 是的，将 AI 模型直接连接到物理执行器（如电机、加热器或机械臂）确实存在安全风险。虽然笔式绘图仪相对安全（因为它通常只涉及纸张和墨水），但原理上存在隐患。如果 AI 发送了错误的指令，例如命令电机以最大功率无限旋转，可能会导致硬件损坏、电机过热甚至机械故障。在更危险的设备（如 CNC 机床或激光切割机）上，这种风险更高。因此，最佳实践是在 AI 和硬件之间设置一个“中间件”层，用于验证指令的合法性、限制运动范围并设置紧急停止机制。

---



### 6: 实现这个项目需要哪些技术栈或工具？

6: 实现这个项目需要哪些技术栈或工具？

**A**: 要实现类似“让 Claude 控制绘图仪”的项目，通常需要以下工具链：
1.  **硬件**：一台支持串口通信的笔式绘图仪（如 vintage 的 HP 7475A 或现代的 AxiDraw）。
2.  **通信接口**：USB 转串口适配器（如 FTDI），用于连接电脑和绘图仪。
3.  **后端脚本**：一种编程语言（通常是 Python），用于监听 AI 的输出并将其转换为绘图仪指令。
4.  **AI 接口**：访问 Claude 或 GPT-4 的 API，或者使用具备代码解释器功能的聊天界面。
5.  **解析逻辑**：代码需要能够解析 AI 生成的 SVG 文件、HP-GL 代码或自定义坐标格式，并将其通过串口发送。

---
## 思考题


### ## 挑战与思考题

### ### 挑战 1: [简单]

### 问题**: 假设你需要通过 API 向绘图仪发送指令绘制一个边长为 100mm 的正方形。请设计一个基础的指令序列（伪代码即可），要求绘图仪在绘制完成后回到起始点，且笔触状态在移动和绘制之间正确切换。

### 提示**: 思考绘图仪的三个核心动作：抬笔、移动、落笔。注意坐标系的计算，确保最后一步回到 (0,0)。

### 

---
## 引用

- **原文链接**: [https://harmonique.one/posts/i-gave-claude-access-to-my-pen-plotter](https://harmonique.one/posts/i-gave-claude-access-to-my-pen-plotter)
- **HN 讨论**: [https://news.ycombinator.com/item?id=47004384](https://news.ycombinator.com/item?id=47004384)

> 注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

---


---
## 站内链接

- 分类： [AI 工程](/categories/ai-%E5%B7%A5%E7%A8%8B/) / [开源生态](/categories/%E5%BC%80%E6%BA%90%E7%94%9F%E6%80%81/)
- 标签： [Claude](/tags/claude/) / [LLM](/tags/llm/) / [绘图仪](/tags/%E7%BB%98%E5%9B%BE%E4%BB%AA/) / [硬件控制](/tags/%E7%A1%AC%E4%BB%B6%E6%8E%A7%E5%88%B6/) / [Python](/tags/python/) / [创意编程](/tags/%E5%88%9B%E6%84%8F%E7%BC%96%E7%A8%8B/) / [自动化](/tags/%E8%87%AA%E5%8A%A8%E5%8C%96/) / [生成式艺术](/tags/%E7%94%9F%E6%88%90%E5%BC%8F%E8%89%BA%E6%9C%AF/)
- 场景： [大语言模型](/scenarios/%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B/)

### 相关文章

- [我让 Claude 控制笔式绘图仪](/posts/20260216-hacker_news-i-gave-claude-access-to-my-pen-plotter-9/)
- [我让 Claude 控制笔式绘图仪绘制图案](/posts/20260215-hacker_news-i-gave-claude-access-to-my-pen-plotter-16/)
- [我让 Claude 控制我的笔式绘图仪](/posts/20260216-hacker_news-i-gave-claude-access-to-my-pen-plotter-11/)
- [授予Claude控制权：用笔式绘图仪生成实体艺术](/posts/20260216-hacker_news-i-gave-claude-access-to-my-pen-plotter-6/)
- [RS-SDK：利用 Claude Code 自动化驱动 RuneScape](/posts/20260204-hacker_news-rs-sdk-drive-runescape-with-claude-code-13/)
*本文由 AI Stack 自动生成，包含深度分析与可证伪的判断。*

我让 Claude 接入笔式绘图仪并生成绘图