用Codex构建自己的信号完整性知识库
问个问题：你电脑里存了多少份协议规范 PDF、仿真配置模板、材料参数表、SI 合规检查清单？是不是每次要用的时候都得翻半天文件夹，或者凭记忆"我记得规范里好像写过……"然后去翻几百页的文档？
如果有一个 AI 助手，你问它"PCIe 6.0 64 GT/s 的 CTLE 曲线参数是多少"，它能秒回；你问"上次这个设计的合规报告怎么说"，它能直接调出来——而且这个 AI 是用你自己的文档训练出来的，它从不出错、从不遗忘。
这就是本文要聊的：用 OpenAI Codex 构建你自己的信号完整性知识库。
用 Codex 构建你自己的信号完整性知识库
导语
每个信号完整性工程师都有这样一个文件夹——里面堆满了 PCIe 规范节选、芯片 IBIS-AMI 模型说明、上一版设计的合规报告、材料 Dk/Df 参数表、各种仿真配置模板。需要用的时候，搜索关键词、翻文件夹、对比版本……时间就这么花掉了。
AI Agent 可以帮你解决这个问题，但前提是它得知道你有哪些资料。OpenAI Codex 配合 RAG 检索和 MCP 协议，可以让你用自然语言直接查询自己的信号完整性知识库——不只是一般性的"AI 聊天"，而是精准地回答你基于自己积累的技术资料提出的问题。
为什么 SI 工程师需要自己的知识库？
通用 AI 模型（ChatGPT、Claude 等）的知识截止于训练数据，对以下场景知之甚少：
PCIe / DDR / Ethernet 等标准的特定修订版本细节——规范每年更新，AI 的训练数据不一定是最新版
芯片或 IP 的专属 IBIS-AMI 模型参数——这些是厂商内部资料，不在公开语料中
你自己或者团队过去做的仿真报告和合规数据——AI 不可能预知这些
EDA 工具的操作细节和脚本模板——公司内部的工作流、脚本库
对于 SI 工程师来说，真正有价值的知识恰恰就是这些"不外传"的资料。一个能够接入你自己知识库的 AI Agent，和通用聊天 AI 之间的差距，就像"有图纸的工程师"和"仅凭经验猜的实习生"之间的差距。
为什么是 Codex？
2026 年的 AI Agent 工具阵营中，OpenAI Codex 在知识库构建方面有几点独特优势：
1. CLI + App 双入口，原生支持 MCP 协议
Codex CLI 是基于 Rust 开发的开源 AI Agent，支持在终端中直接运行，也可以使用 Codex App（桌面应用）。它原生支持 MCP（Model Context Protocol）——这是让 AI Agent 连接外部工具和数据源的标准接口。你可以通过 MCP 把知识库系统直接暴露给 Codex。
2. 云沙箱 + 文件系统访问
Codex 在云端沙箱中执行任务，既可以访问你的 GitHub 仓库，也可以通过 MCP 访问本地文件、数据库或自定义知识库服务。这意味着你的 PDF 规范、仿真结果、参数表格不需要手动整理——只要接入 MCP Server，Codex 就能自动检索和理解。
3. Skills 机制
Codex 的 Skills 是可复用的工作流模板。你可以把"PCIe 合规检查"或"IBIS-AMI 模型参数查询"写成 Skill，以后在任何项目中一键调用。
4. 长上下文窗口
Codex 基于 GPT-5.3-Codex 模型，配合上下文压缩（compaction）机制，能够处理多轮、长对话——你可以在一个会话中连续查询多个规范条款，AI 不会"忘记"前面的上下文。
方案一：RAG 本地知识库（最轻量）
这是最简单的方案，不需要搭建服务器。思路是利用 Codex 的文件搜索能力 + 本地文档目录，通过 AGENTS.md 文件告诉 Codex 你的资料结构。
操作步骤：
整理资料目录，统一放在项目文件夹下：
si-knowledge-base/├── specs/│ ├── pcie6.0_base_spec.pdf│ ├── pcie6.0_ecn.pdf│ ├── ddr5_jesd79-5.pdf│ └── ieee802.3ck_d1.3.pdf├── models/│ ├── ibis-ami_model_guide.pdf│ └── chip_parameters.xlsx├── reports/│ ├── 2025Q4_pcie_gen5_report.pdf│ └── 2026Q1_ddr5_simulation.pdf└── templates/ └── compliance_checklist.md创建 AGENTS.md 文件（这是 Codex 的项目记忆文件，放在项目根目录）：
## 资料结构- specs/：协议规范文档（PCIe、DDR、Ethernet）- models/：IBIS-AMI 模型说明和芯片参数- reports/：历史仿真与合规报告- templates/：合规检查模板## 使用方式- 查询协议参数时，优先从 specs/ 中查找- 报告对比时，优先使用 reports/ 目录中的最新文件- 不确定时，列出找到的相关文档让用户选择在 Codex 中启动项目：
cd si-knowledge-basecodex然后在对话中输入：
"帮我查一下 PCIe 6.0 在 64 GT/s 下的参考 CTLE 曲线，从 specs 里找"
Codex 会自动扫描目录，找到对应的 PDF，理解其内容并给你准确的回答。
优点：零配置，不依赖网络服务
缺点：只能查询本地文件，无法跨设备同步
方案二：MCP Server + 向量知识库（推荐）
对于更正式的场景——比如团队共享知识库、频繁更新资料、需要精准语义检索——建议搭建一个 MCP Server 连接向量数据库。
整体架构：
Codex CLI/App │ ├── MCP Client（Codex 内置） │ │ │ └── MCP Server（自定义或第三方） │ │ │ └── 向量数据库（ChromaDB / Qdrant / pgvector） │ │ │ └── 文档索引（PDF → chunk → embedding）以 Lookio 为例，这是一个支持 MCP 的知识库服务平台，接入 Codex 只需几步：
在 Lookio 中创建知识库空间，上传你的 SI 资料（PDF、DOCX、Markdown、网页链接均可）
获取 API Key
在 Codex 中添加 MCP Server：
{ "mcpServers": { "lookio": { "command": "npx", "args": ["@lookio/mcp-server"], "env": { "LOOKIO_API_KEY": "your-api-key" } } }}配置系统提示词，告诉 Codex 遇到不确定的问题时去知识库查询：
When answering SI-related questions, first query your Lookio knowledge base for relevant documentation. Always cite the source document.
如果问题是关于信号完整性协议、模型参数或历史报告的，优先从知识库中检索。
可以建什么类型的知识库
| 知识库类型 | 内容 | 典型查询 |
|---|---|---|
| 协议规范库 | PCIe/DDR/Ethernet 规范节选、ECN 修订 | "Gen6 的 stressed eye 校准流程中 DMI 频率是多少？" |
| 模型参数库 | IBIS-AMI 模型说明、芯片参数表 | "这款芯片的 RX 端接阻值范围是多少？" |
| 仿真资料库 | 历史设计文档、合规报告、优化案例 | "上次 64 GT/s 回归用的 PSD 噪声范围是多少？" |
| 工具脚本库 | 自动化脚本、配置模板、工作流说明 | "给我一个 Simbeor 后仿合规检查的 Python 脚本模板" |
方案三：Codex Skills + AGENTS.md 中的"活文档"
方案一和方案二解决了"查询"的问题。方案三更进一步——让 AI 在执行 SI 任务时自动引用知识库。
Codex 的 Skills 是可复用的工作流技能包。你可以创建一个名为 si-compliance-check 的 Skill，包含以下内容：
# Skill: si-compliance-check## 步骤1. 从知识库加载目标协议规范（PCIe 6.0 / DDR5 / 802.3ck）2. 根据规范确定合规指标限值（IL、RL、PSXT、ICR 等）3. 加载待检查的仿真结果数据4. 逐项比对，记录 Pass/Fail 和裕量5. 定位不合格项，对照知识库中的历史案例给出优化建议6. 生成合规报告（Markdown 格式）## 知识库引用- 协议参数 → specs/ 目录- 历史案例 → reports/ 目录- 模型参数 → models/ 目录将这个 Skill 注册到 Codex 后，你只需要说：
"跑一下这个设计的 PCIe 6.0 合规检查"
Codex 就会自动：检索知识库 → 加载规范参数 → 读取仿真数据 → 执行检查 → 输出报告。
这相当于把你的 SI 经验固化成了一套可复用的 AI 工作流。
实战：构建一个半天的"最小可用"知识库
如果你今天就想试试，以下是 4 小时的路线图：
第 1 小时：安装 Codex CLI
npm i -g @openai/codex# 或 brew install --cask codex（macOS）codex login # OAuth 登录第 2 小时：整理你的"最小知识库"
选 3-5 份你工作中最常查阅的文档（比如一份协议规范节选、一份仿真报告模板、一份参数表），放在一个目录下。
第 3 小时：写 AGENTS.md
参照前面的模板，告诉 Codex 每类文档的用途和查询方式。
第 4 小时：实战测试
启动 Codex，连续问 5 个你日常工作需要查阅资料才能回答的问题。比如：
- "这个设计的 IL 限值是多少？"
- "上次 DDR5 仿真的 Vref 设置是多少？"
- "IBIS-AMI 模型里 ADC 噪声参数的范围是多少？"
如果 Codex 答对了 4 个以上——恭喜，你的知识库已经进入可用状态了。
💬 聊两句
你现在手头有没有一个"备查文件夹"，里面是工作几年积累的技术资料？如果有一个 AI 能随时帮你调取这些资料，你最想让它在哪个环节帮上忙——查协议参数、读仿真报告、还是写合规模板？
欢迎在评论区聊聊你的想法和使用经验 👇
参考资料
OpenAI, Codex CLI & Codex App, 2025-2026
OpenAI, MCP and Connectors in Codex, 2026
Lookio, How to connect OpenAI Codex to your knowledge base with MCP, 2026
Anthropic, Model Context Protocol Specification, 2024-2026
社区项目 kicad-happy / AI-EDA，MCP 桥接 AI Agent 与 EDA 工具
感谢阅读。
关注"信号完整性设计"，一起追踪高速链路、先进封装与系统协同中的关键技术演进。
