Barbot Selection Library 已经上线。这是 [LLM Wiki](/article/llm-wiki) 的第一份对外演示库：不是再做一个聊天窗口，而是把模拟芯片选型真正用到的资料，编译成可以追问、可以对证的知识。

完整工作台在 [ask.chatbarbot.com](https://ask.chatbarbot.com)。官网右下角的 LLM Wiki 助手，用的也是同一份库。

## 它解决什么问题

销售和 FAE 每天被问的，很少是「帮我搜一篇手册」，而是：

- 这个终端应用该选哪一类器件？
- ADI、TI、MPS、3peak 之间，隔离、驱动、电源方案差在哪？
- 这颗料的传播延迟、CMTI、封装到底以哪一版手册为准？
- 别人的 OBC、电驱、BMS 里，实际装过什么？

这些答案散落在原厂选型手册、应用笔记、系统方案和拆解 BOM 里。人找得慢，普通向量库又容易把过期页、条件不同的参数和互相打架的文档一起捞上来。

Selection Library 按终端应用把这些资料编好。问的是场景，回到的是型号、条件和出处，而不是一段「看起来很像」的文字。

## 现在覆盖什么

首发范围面向汽车与工业的模拟选型，覆盖：

- 原厂选型手册与产品目录：用来在类别确定后收窄到具体型号
- 应用笔记与系统方案：用来解释场景怎么想、关键参数为什么值钱
- 拆解装车数据：用来看真实终端 BOM 里装了哪类器件、用量多少
- 产业与方案补充材料：用来补拓扑和持续教育

典型应用包括 OBC、电驱、BMS、座舱和 ADAS。你可以这样开问：

- 「OBC 的隔离驱动该选 TI 还是 ADI？」
- 「UCC21520 的关键参数是多少？」
- 「MPS 在电驱里有什么装车案例？」

## 它和「再接一个知识库」有什么不同

[芯片企业知识库不能只做向量检索](/article/chip-knowledge-base-beyond-vector-search)。选型要的是对象、版本和约束：

1. 先按应用收窄器件类别，再落到型号
2. 参数必须带着电压、温度、封装和认证条件
3. 跨厂商对比要能说清差异，而不是并列粘贴规格
4. 结论要回到手册、笔记或装车记录，而不是模型自己补全

这也是它能成为 [AI FAE](/article/ai-fae) 演示底座的原因：先把口径和证据做对，再谈全天候回答。

## 谁现在就能用

- **芯片原厂和代理商**：用同一份库统一销售、FAE 和客户支持的选型口径
- **方案公司和系统厂**：在立项阶段快速看清器件类别、竞品差异和装车实证
- **想建设企业专属知识库的团队**：先看一份已经编好的 LLM Wiki，再决定自己的资料怎么接入

[官网智能客服](/article/llm-wiki-site-assistant) 适合快速体验。需要翻资料、看工具过程和继续追问，请打开 [Barbot Selection Library](https://ask.chatbarbot.com)。

企业私有资料不会进这份演示库。要建设自己的选型知识底座，直接 [预约会议](/booking)，或先看 [LLM Wiki 产品介绍](/products/llm-wiki)。