物联网工程师技能指南：嵌入式固件、无线协议与云集成架构设计

iot-engineer by 404kidwiz/claude-supercode-skills

139 周安装量

61 GitHub Stars

GitHub

安装命令

npx skills add https://github.com/404kidwiz/claude-supercode-skills --skill iot-engineer

物联网开发系统架构

🇨🇳中文介绍

IoT 工程师

目的

提供物联网开发专业知识，专注于嵌入式固件、无线协议和云集成。设计端到端的物联网架构，通过 MQTT、BLE、LoRaWAN 和边缘计算将物理设备连接到数字系统。

使用场景

设计端到端的物联网架构（设备 → 网关 → 云）
为微控制器编写固件（ESP32、STM32、Nordic nRF）
实现 MQTT v5 消息模式
优化电池寿命和功耗
部署边缘 AI 模型（TinyML）
保护物联网设备群安全（mTLS、安全启动）
集成智能家居标准（Matter、Zigbee）

2. 决策框架

连接协议选择

What are the constraints?
│
├─ **High Bandwidth / Continuous Power?**
│  ├─ Local Area? → **Wi-Fi 6** (ESP32-S3)
│  └─ Wide Area? → **Cellular (LTE-M / NB-IoT)**
│
├─ **Low Power / Battery Operated?**
│  ├─ Short Range (< 100m)? → **BLE 5.3** (Nordic nRF52/53)
│  ├─ Smart Home Mesh? → **Zigbee / Thread (Matter)**
│  └─ Long Range (> 1km)? → **LoRaWAN / Sigfox**
│
└─ **Industrial (Factory Floor)?**
   ├─ Wired? → **Modbus / Ethernet / RS-485**
   └─ Wireless? → **WirelessHART / Private 5G**

云平台

平台	最适合	关键服务

广告位招租

在这里展示您的产品或服务

触达数万 AI 开发者，精准高效

联系我们

工作流程 2：在 ESP32 上实现边缘 AI

目标： 检测电机上的"异常"（振动）。

数据收集
- 在"正常"和"错误"状态下记录加速度计数据。
- 上传到 Edge Impulse。
模型训练
- 提取特征（频谱分析）。
- 训练 K-Means 异常检测或神经网络。

部署

导出 C++ 库。

集成到固件中：

#include <edge-impulse-sdk.h>

void loop() {
    // 用传感器数据填充缓冲区
    signal_t signal;
    // ...

    // 运行推理
    ei_impulse_result_t result;
    run_classifier(&signal, &result);

    if (result.classification[0].value > 0.8) {
        // 检测到异常！
        sendAlertMQTT();
    }
}

模式 1：设备影子

使用场景： 当设备离线时同步状态（例如，"灯亮"）。

云端： 应用更新 desired 状态：{"state": {"desired": {"light": "ON"}}}。
设备： 唤醒，订阅 $aws/things/my-thing/shadow/update/delta。
设备： 看到差异，打开灯。
设备： 报告 reported 状态：{"state": {"reported": {"light": "ON"}}}。

模式 2：遗嘱消息

使用场景： 检测意外断开连接。

连接： 设备设置 LWT 主题：status/device-001，载荷：OFFLINE，保留：true。
正常： 设备发布 ONLINE 到 status/device-001。
崩溃： 代理检测到超时，自动发布 LWT 载荷（OFFLINE）。

模式 3：深度睡眠循环

使用场景： 使用纽扣电池运行数年。

void setup() {
    // 1. 初始化传感器
    // 2. 读取数据
    // 3. 连接 WiFi/LoRa（快速！）
    // 4. 发送数据
    // 5. 睡眠
    esp_sleep_enable_timer_wakeup(15 * 60 * 1000000); // 15 分钟
    esp_deep_sleep_start();
}

后端开发人员：

交接： IoT 工程师将数据发送到 MQTT 主题 → 后端开发人员触发 Lambda/云函数。
协作： 定义 JSON 模式 / Protobuf 定义。
工具： AsyncAPI。

数据工程师：

交接： IoT 工程师流式传输原始遥测数据 → 数据工程师构建 Kinesis Firehose 到 S3 数据湖。
协作： 处理来自传感器的数据质量/异常值。
工具： IoT Analytics、Timestream。

移动应用开发人员：

交接： 移动应用通过 BLE 连接到设备。
协作： 定义 GATT 服务/特征 UUID。
工具： nRF Connect。

🇺🇸English

IoT Engineer

Purpose

Provides Internet of Things development expertise specializing in embedded firmware, wireless protocols, and cloud integration. Designs end-to-end IoT architectures connecting physical devices to digital systems through MQTT, BLE, LoRaWAN, and edge computing.

When to Use

Designing end-to-end IoT architectures (Device → Gateway → Cloud)
Writing firmware for microcontrollers (ESP32, STM32, Nordic nRF)
Implementing MQTT v5 messaging patterns
Optimizing battery life and power consumption
Deploying Edge AI models (TinyML)
Securing IoT fleets (mTLS, Secure Boot)
Integrating smart home standards (Matter, Zigbee)

2. Decision Framework

Connectivity Protocol Selection

What are the constraints?
│
├─ **High Bandwidth / Continuous Power?**
│  ├─ Local Area? → **Wi-Fi 6** (ESP32-S3)
│  └─ Wide Area? → **Cellular (LTE-M / NB-IoT)**
│
├─ **Low Power / Battery Operated?**
│  ├─ Short Range (< 100m)? → **BLE 5.3** (Nordic nRF52/53)
│  ├─ Smart Home Mesh? → **Zigbee / Thread (Matter)**
│  └─ Long Range (> 1km)? → **LoRaWAN / Sigfox**
│
└─ **Industrial (Factory Floor)?**
   ├─ Wired? → **Modbus / Ethernet / RS-485**
   └─ Wireless? → **WirelessHART / Private 5G**

Cloud Platform

Platform	Best For	Key Services
AWS IoT Core	Enterprise Scale	Greengrass, Device Shadow, Fleet Provisioning.
Azure IoT Hub	Microsoft Shops	IoT Edge, Digital Twins.
GCP Cloud IoT	Data Analytics	BigQuery integration (Note: Core service retired/shifted).
HiveMQ / EMQX	Vendor Agnostic	High-performance MQTT Broker.

Edge Intelligence Level

Telemetry Only: Send raw sensors data (Temp/Humidity).
Edge Filtering: Send only on change (Deadband).
Edge Analytics: Calculate FFT/RMS locally.
Edge AI: Run TFLite model on MCU (e.g., Audio Keyword Detection).

Red Flags → Escalate tosecurity-engineer:

Hardcoded WiFi passwords or AWS Keys in firmware
No Over-The-Air (OTA) update mechanism
Unencrypted communication (HTTP instead of HTTPS/MQTTS)
Default passwords (admin/admin) on gateways

Workflow 2: Edge AI (TinyML) on ESP32

Goal: Detect "Anomaly" (Vibration) on a motor.

Steps:

Data Collection
- Record accelerometer data (XYZ) during "Normal" and "Error" states.
- Upload to Edge Impulse.
Model Training
- Extract features (Spectral Analysis).
- Train K-Means Anomaly Detection or Neural Network.

Deployment

Export C++ Library.

Integrate into Firmware:

#include <edge-impulse-sdk.h>

void loop() {
    // Fill buffer with sensor data
    signal_t signal;
    // ...
    
    // Run inference
    ei_impulse_result_t result;
    run_classifier(&signal, &result);
    
    if (result.classification[0].value > 0.8) {
        // Anomaly detected!
        sendAlertMQTT();
    }
}

4. Patterns & Templates

Pattern 1: Device Shadow (Digital Twin)

Use case: Syncing state (e.g., "Light ON") when device is offline.

Cloud: App updates desired state: {"state": {"desired": {"light": "ON"}}}.
Device: Wakes up, subscribes to $aws/things/my-thing/shadow/update/delta.
Device: Sees delta, turns light ON.
Device: Reports reported state: {"state": {"reported": {"light": "ON"}}}.

Pattern 2: Last Will and Testament (LWT)

Use case: Detecting unexpected disconnections.

Connect: Device sets LWT topic: status/device-001, payload: OFFLINE, retain: true.
Normal: Device publishes ONLINE to status/device-001.
Crash: Broker detects timeout, auto-publishes the LWT payload (OFFLINE).

Pattern 3: Deep Sleep Cycle (Battery Saving)

Use case: Running on coin cell for years.

void setup() {
    // 1. Init sensors
    // 2. Read data
    // 3. Connect WiFi/LoRa (fast!)
    // 4. TX data
    // 5. Sleep
    esp_sleep_enable_timer_wakeup(15 * 60 * 1000000); // 15 mins
    esp_deep_sleep_start();
}

6. Integration Patterns

backend-developer:

Handoff : IoT Engineer sends data to MQTT Topic → Backend Dev triggers Lambda/Cloud Function.
Collaboration : Defining JSON schema / Protobuf definition.
Tools : AsyncAPI.

data-engineer:

Handoff : IoT Engineer streams raw telemetry → Data Engineer builds Kinesis Firehose to S3 Data Lake.
Collaboration : Handling data quality/outliers from sensors.
Tools : IoT Analytics, Timestream.

mobile-app-developer:

Handoff : Mobile App connects via BLE to Device.
Collaboration : Defining GATT Service/Characteristic UUIDs.
Tools : nRF Connect.

Weekly Installs

100

Repository

404kidwiz/claud…e-skills

GitHub Stars

First Seen

Jan 24, 2026

Security Audits

Gen Agent Trust HubPass SocketPass SnykPass

Installed on

opencode84

gemini-cli79

codex78

cursor72

claude-code70

github-copilot70

React 组合模式指南：Vercel 组件架构最佳实践，提升代码可维护性

113,700 周安装

AWS IoT Core	企业级规模	Greengrass、设备影子、设备群配置。
Azure IoT Hub	Microsoft 生态系统	IoT Edge、数字孪生。
GCP Cloud IoT	数据分析	BigQuery 集成（注意：核心服务已停用/转移）。
HiveMQ / EMQX	供应商中立	高性能 MQTT 代理。