新闻详情

新闻详情

首页 / 资讯中心 / 详情

Automotive Skills Suite实战教程:hara-builder如何在10分钟内完成HARA危害分析与ASIL定级

发布时间:2026/11/17 6:02:12来源:尧图网络
Automotive Skills Suite实战教程:hara-builder如何在10分钟内完成HARA危害分析与ASIL定级
Automotive Skills Suite实战教程hara-builder如何在10分钟内完成HARA危害分析与ASIL定级【免费下载链接】automotive-skills-suite100 installable Claude skills covering Engineering areas such as, ISO 26262 functional safety, ISO/SAE 21434 cybersecurity, ISO 21448 SOTIF, AIAG-VDA quality (APQP/PPAP/FMEA), Automotive SPICE, and continuous improvement tools — every builder paired with a confirmation reviewer.项目地址: https://gitcode.com/gh_mirrors/au/automotive-skills-suiteAutomotive Skills Suite 是一个开源的 Claude 技能套件内置 150 可安装技能其中hara-builder技能能根据功能定义自动生成符合 ISO 26262 标准的 HARA危害分析与风险评估工作簿自动完成危害识别、S/E/C 评级和 ASIL 定级——本教程带你用不到 10 分钟走完全流程。为什么 HARA 是功能安全的第一道关HARA 是 ISO 26262 概念阶段的核心工作从项目功能出发识别危害按严重度S、暴露度E、可控性C三个维度打分最终查表得出 ASIL汽车安全完整性等级并导出安全目标。传统做法要手工维护几百行的 Excel 矩阵新手最容易犯三类错误漏组合功能 × 故障 × 使用环境的笛卡尔积没展开全E 值打错暴露度应针对运行场景而非危害本身这是最常见的 HARA 错误ASIL 手工算改一个 S/E/C 单元格后忘记重新计算定级结果hara-builder把机械性工作全部自动化只把最需要工程师判断的环节SC/NSC 过滤、评级理由留给人。30 秒安装一键部署 hara-builder 技能仓库中每个技能都是独立的.skill文件本质是一个打包好的技能目录安装只需两步获取仓库本地已有可跳过git clone https://gitcode.com/gh_mirrors/au/automotive-skills-suite打开 skills/hara-builder.skill在 Cowork / Claude Desktop 中点击 Save skill 安装。技能自带触发词描述之后只要说 Build a HARA for... 或 这个 ECU 的 ASIL 是多少Agent 就会自动调用该技能无需手动指定。 安装与快速上手细节见 README.md 的 Quickstart 章节。10分钟实战五步生成审计就绪的 HARA 工作簿第 1 步访谈式采集项目定义约 2 分钟技能会分几轮简短提问采集最小必要输入项目名称与缩写如 Electronic Stability Control / ESC项目背景文档编号、版本、作者、批准人范围描述——项目做什么、明确不做什么功能清单及运动控制权限等级high / medium / low / none外部接口传感器、执行器、其他 ECU与前提假设 提示运动控制权限是关键输入。权限high表示该功能能直接以较大力度移动车辆直接影响故障是否被判定为安全关键。第 2 步内置标准参考表自动就位技能包内预置了完整的 ISO 26262 参考资料无需自己翻标准原文包括14 个故障引导词M01–M14定义与 SC/NSC 过滤规则严重度 AIS 评级标尺含车速区间启发式暴露度位置×天气查表、可控性驾驶员反应时间锚点ASIL 查表矩阵与公式模式第 3 步构建输入 JSON约 1 分钟技能会基于你提供的信息生成一个输入 JSON。模式很宽容——缺省字段会自动给出合理默认值必填的只有项目名称和至少一个功能。包内还附了一份可直接套用的 ADAS/底盘件样例sample_input_esc.json新手复制改改就能跑。第 4 步一键生成 公式重算约 30 秒技能内部执行生成脚本与重算脚本先生成多标签工作簿并输出 JSON 摘要功能数、SC 对数、HARA 行数、安全目标数再评估 ASIL 公式保证文件在 Excel 中打开时所有定级结果已算好。✅第 5 步人工评审与迭代约 5 分钟技能会明确列出所有自动建议的评级供你逐条质疑和修改——它对方法有立场对答案保持中立。改任意 S/E/C 单元格ASIL 由公式自动重算被裁剪/判为不安全的行也完整保留在笛卡尔矩阵中保证全链路可审计。成品长什么样8 个标签页的审计就绪工作簿以示例中的电子稳定控制系统ESC为例输入一份项目定义草稿输出ESC-hara.xlsx14 个危害完成分类、自动导出 4 条安全目标。工作簿包含标签页内容Item项目定义、范围与假设Operating Situations运行场景位置×天气维度Hazards危害清单功能 × 故障引导词S/E/C三维评级与评级理由ASIL Matrix公式驱动的定级矩阵Safety Goals按防止该危害约定导出的安全目标Safe States安全状态声明Traceability全链路追溯示例输入输出的完整说明见 examples/hara-builder/README.md。加分项用 hara-checklist-reviewer 做一次自检套件的设计哲学是每个生成技能都配一个确认审查技能。跑完hara-builder后对同一文件说一声 check my HARAskills/hara-checklist-reviewer.skill 会按 ISO 26262-3 第 7 条款和第 8 条款执行约 80 项确认审查自动探测源 HARA 工作簿结构兼容 hara-builder 的输出机器可验证的检查项直接填充 FC / LC / PC / NO / NA主观项自动生成 (Reviewer to verify) 草稿明确标出需要人工判断的位置每条合规结论都引用具体证据位置问题落入建议行动列绝不修改源文件审查示例见 examples/hara-checklist-reviewer/README.md。生成 审查闭环走完你的 HARA 就具备了送评的完整证据链。新手常见问题Q只会说需求、不会写模板能用吗可以。访谈式采集只需回答几轮简短问题缺省字段自动补默认值样例 JSON 可直接套用。Q自动建议的评级能直接信吗不能。每个自动评级都附带理由预期由分析师质疑和精修SC 过滤是整份 HARA 中最重要的人工判断技能会始终给你覆盖的机会。QHARA 改完下游文档要重做吗技能链的约定是稳定的文件契约HARA 的输出含 FSC 交接标签页正是下游 FSC/TSC 等技能的输入改完 HARA 重新生成即可。小结hara-builder把 HARA 从几天手工活压缩到10 分钟对话访谈采集 → 标准参考表 → JSON 输入 → 公式驱动生成 → 人工评审迭代再配hara-checklist-reviewer完成确认审查闭环。两个技能文件都在 skills/ 目录下下载、安装、开口说话即可上手。【免费下载链接】automotive-skills-suite100 installable Claude skills covering Engineering areas such as, ISO 26262 functional safety, ISO/SAE 21434 cybersecurity, ISO 21448 SOTIF, AIAG-VDA quality (APQP/PPAP/FMEA), Automotive SPICE, and continuous improvement tools — every builder paired with a confirmation reviewer.项目地址: https://gitcode.com/gh_mirrors/au/automotive-skills-suite创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉