KiKit项目中关于JLCPCB生产文件设置的优化建议
背景介绍
KiKit是一款基于KiCad的PCB面板化工具,它能够帮助工程师快速将单个PCB设计转换为适合批量生产的面板布局。在实际使用中,很多用户会选择将设计文件发送到JLCPCB等专业PCB制造商进行生产。因此,确保生成的生产文件(Gerber和钻孔文件)符合制造商的要求至关重要。
JLCPCB生产文件设置差异分析
近期有用户发现KiKit中针对JLCPCB的默认生产文件设置与JLCPCB官方推荐设置存在一些差异,主要包括以下三个方面:
-
钻孔文件合并设置
KiKit默认将PTH(镀通孔)和NPTH(非镀通孔)合并为一个钻孔文件(MergeNPTH=True),而JLCPCB官方指南建议分开生成两个独立的钻孔文件。虽然合并文件在实际生产中通常不会造成问题,但遵循制造商推荐的做法可以避免潜在的责任问题。 -
坐标原点设置
KiKit默认使用辅助原点(UseAuxOrigin=True),这与KiCad中"使用钻孔/放置文件原点"选项相对应。JLCPCB指南中显示的是"绝对原点"选项。实际上,关键是要确保Gerber文件和钻孔文件使用相同的原点设置。使用辅助原点(由KiKit自动设置为面板的某个角落)比使用绝对坐标更为合理,因为它能确保文件在坐标空间中的精确定位。 -
钻孔图文件格式
KiKit默认生成PDF格式的钻孔图文件,而JLCPCB指南中显示的是Gerber X2格式。虽然钻孔图文件不是必须的,但JLCPCB建议提供Gerber格式的钻孔图文件,因为它包含了关于孔属性(镀通/非镀通)和槽孔数量的额外信息,有助于减少生产错误。
专业建议与最佳实践
-
关于原点设置
为了便于将生成的文件与JLCPCB生产文件进行比较验证,建议将面板的原点设置为左下角(bl)。这可以通过在KiKit配置中添加以下JSON设置实现:{ "post": { "origin": "bl" } } -
关于钻孔文件
虽然合并钻孔文件在实际生产中通常不会造成问题,但建议遵循JLCPCB的官方指南,将PTH和NPTH分开生成。这样可以确保在出现生产问题时,责任划分更加明确。 -
关于钻孔图文件
虽然钻孔图文件不是必须的,但建议按照JLCPCB的推荐提供Gerber X2格式的钻孔图文件。这种格式包含了更多元数据,有助于制造商准确理解设计意图,减少生产错误的风险。
总结
KiKit项目团队已经根据这些建议对代码进行了相应调整(#688)。对于终端用户来说,了解这些设置差异有助于生成更符合制造商要求的生产文件,从而提高PCB生产的质量和可靠性。在实际应用中,用户可以根据自身需求选择是否遵循所有推荐设置,但至少应确保Gerber和钻孔文件使用相同的原点设置这一基本原则。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust015
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00