Claude Code控制机械臂：从仿真到真机的安全实践-育师

不管那个“5000 万美元打款”的故事最后被还原成什么，这个标题背后真正值得聊的东西已经出现了：Claude Code 这类 AI 编程代理，正在从“帮你改代码、跑命令”走向“生成控制程序、驱动真实硬件”。也就是说，Claude 不再只活在终端和 IDE 里，它已经开始触碰物理世界的执行层。

这篇文章不讨论新闻事件本身是不是完整演示，而是拆开技术链路：Claude Code 是什么、它凭什么能控制机械臂、需要哪些环境、怎么从仿真跑到真机、以及为什么“物理世界”比“代码世界”对安全性的要求高一个量级。如果你最近正在关注 Claude Code 安装、机械臂抓取、ROS 开发、MoveIt 轨迹规划、Gazebo 或 Mujoco 仿真，这篇文章可以直接收藏。

全文会按照“核心能力 → 技术栈 → 环境准备 → 安装部署 → 功能测试 → API 与批量任务 → 资源占用 → 常见问题 → 最佳实践”的顺序展开。目标是让你看完之后，能自己搭一套“Claude Code 生成机械臂控制脚本 → 仿真验证 → 真机试跑”的最小闭环。

1. 核心能力速览

先把这条链路里的关键角色拆开。Claude Code 本身不是机械臂控制软件，它更像一个“会使用终端和代码的代理”。真正执行物理动作的，是机械臂驱动、运动规划库、仿真器和控制接口。Claude Code 的作用是：理解任务、生成控制代码、调用现有工具链、根据错误反馈修改方案。

能力项	说明
项目类型	AI 编程代理 / Agent 工具，配合机械臂控制栈使用
核心能力	阅读代码、生成脚本、执行命令、修改文件、调用 API、控制外部工具
硬件依赖	用于跑 Claude Code 的 PC/服务器；用于真机控制的机械臂、控制箱、急停开关
仿真环境	Gazebo、Mujoco、RViz、MoveIt，作为真机前的安全验证层
机械臂技术栈	ROS/ROS2、DH 参数、正逆运动学、轨迹规划、视觉抓取
典型启动方式	终端命令`claude`启动；机械臂部分通过 roslaunch / ros2 launch 启动
接口能力	Claude Code 可通过命令行或 Agent API 驱动；机械臂控制服务可开放 REST/ROS 接口
批量任务	支持，但物理设备批量执行必须带人工确认和失败熔断
适用场景	运动规划脚本生成、仿真验证、视觉抓取实验、自动化测试、教学演示
安全边界	严禁在无急停、无授权、无监控环境下直接控制高功率机械臂

这里要强调一个容易误解的点：Claude 不是“用大模型直接输出 PWM 波驱动电机”。中间隔了很多层，模型负责生成和修正控制代码，最后由 ROS 节点、控制器、驱动器去执行。这个分层既是工程常识，也是安全底线。

2. 从“生成代码”到“控制物理世界”，Claude Code 的定位

Claude Code 是 Anthropic 推出的一款命令行 AI 编程代理，运行在终端里，可以读取项目目录、分析代码、搜索文件、执行 shell 命令、调用 API，并且在出错后根据返回信息重新尝试。很多开发者已经把它用在代码重构、测试脚本生成、CI/CD 脚本维护这些日常任务上。

机械臂控制这件事，对 Claude Code 来说本质上还是“代码生成与工具调用”：

你给它一个任务描述，例如“让机械臂从 A 点移动到 B 点，末端保持水平”。
它根据机械臂模型、DH 参数、当前环境，生成一段 Python/C++ 控制代码，可能调用 MoveIt、rospy、rclpy、机械臂厂商 SDK。
你审查代码，在仿真环境里运行。
如果运行失败，把终端日志、错误栈、Gazebo/Mujoco 报错信息贴给它，它修改代码继续尝试。

这个流程并不神秘，但它改变了传统机械臂开发的工作方式。以前写一个轨迹规划脚本，要查 API、调参数、反复编译。现在可以把大部分“查文档、拼代码、处理报错”的工作交给代理，人主要负责定义约束、审查安全和验证效果。

不过，代码世界和物理世界有一个本质区别：代码报错最多是进程崩溃，机械臂一旦运动轨迹错误，可能撞机、损坏工件、伤害操作人员。所以 Claude Code 可以参与物理设备控制，但必须建立在“先仿真、后真机、再小范围低速验证”的安全流程上。

3. 机械臂控制典型技术栈

要理解 Claude Code 能接管哪一层，需要先知道一套机械臂控制系统的标准分层。

3.1 底层驱动层

这一层负责把运动指令转换成电机电流，通常由机械臂厂商提供的控制器完成，例如 Franka 的 Franka Control Interface，UR 的 URScript 和 Dashboard，Aubo、xArm、睿尔曼等国内厂商也有各自的 SDK。这部分一般不建议让 AI 直接生成代码去操作，因为涉及实时性、安全限位和力矩保护。

3.2 运动规划层

常见方案是 MoveIt。它负责机械臂的运动规划、逆运动学求解、碰撞检测、轨迹插值等。开发者通常通过moveit_commander、move_group接口发送“目标位姿”或“目标关节角”，由 MoveIt 算出轨迹，再交给驱动层执行。

3.3 仿真层

仿真层是 Claude Code 介入机械臂开发最安全、也最值得先做的一层。Gazebo 是 ROS 生态里常见的物理仿真器，Mujoco 也越来越多地被用在机器人强化学习和控制验证里。仿真层能验证代码逻辑、运动学求解是否正确，但要注意：仿真里的物理模型和真实机械臂仍有差距，力矩、摩擦、惯量都不完全一致。

3.4 感知层

机械臂要抓取目标，通常需要相机或深度相机。视觉识别部分可以走 OpenCV、PCL、yolov8、SAM 等方案，识别到目标后计算目标在机械臂基座坐标系下的位姿，再交给 MoveIt 规划抓取轨迹。这个环节也是 Claude Code 比较容易发挥的地方，因为视觉代码和坐标转换代码里有大量调试工作。

下面是一套典型的机械臂软件架构方向：

任务描述（自然语言） ↓ Claude Code 生成/修改控制代码 ↓ ROS / ROS2 节点（Python/C++） ↓ MoveIt / 运动学库 → 轨迹规划 ↓ Gazebo / Mujoco 仿真验证 ↓ 真机控制接口（需授权、急停、限速）

这个流程里，Claude Code 的位置在“任务描述”和“代码生成”之间，它不会替代驱动层和规划层，而是让这些层的调用变得更加高效。

4. 环境准备与前置条件

4.1 软件环境

要跑 Claude Code，电脑上需要先装 Node.js 和 npm，然后通过 npm 全局安装 Claude Code。机械臂开发部分需要 ROS 或 ROS2，常见发行版对应关系是：Ubuntu 20.04 配 ROS Noetic，Ubuntu 22.04 配 ROS2 Humble。仿真和规划还需要安装 Gazebo、MoveIt、RViz，以及你选定机械臂的模型包。

如果是本地加载大模型来模拟 Claude 的能力，还需要考虑显存。从当前主流开源模型来看，想要流畅完成代码生成和工具调用，显存低于 8G 会比较吃力，量化版模型或云端 API 更合适。但 Claude Code 官方推荐的使用方式是以 Anthropic 的 API 或订阅服务为后端，本地只负担终端交互，对显卡没有硬性要求。具体依赖以官方文档为准。

4.2 硬件环境

如果只做仿真实验，一台普通的 x86 电脑就可以，8G 内存起步，16G 会更舒服，CPU 要求不高。Gazebo 仿真对 CPU 和内存比较敏感，模型零件多、传感器多的时候会卡顿。

如果要做真机控制，硬件清单至少包括：

机械臂本体，建议选择带力矩限制、碰撞检测功能的型号。
控制箱或控制器，用于执行底层运动控制。
独立的急停开关，必须能在任何时候切断动力。
相机或深度相机，用于视觉抓取实验。
固定基座和工作台，避免机械臂在运动中发生位移。

这里要特别提醒：不要为了“演示 AI 控制硬件”就跳过安全装置。没有急停、没有物理限位、没有人员撤离的机械臂实验，无论用的什么 AI 代理，都不应该进行。

4.3 端口与网络检查

Claude Code 本身主要是终端交互，需要能访问 Anthropic 的服务，API 请求走 HTTPS。机械臂开发环境里，ROS 早期版本依赖 ROS Master，默认使用 11311 端口；ROS2 走 DDS 自动发现机制，端口由系统动态分配，但多机通信时需要注意网络配置。

如果本机同时跑多个服务，建议先执行下面的检查，避免端口冲突：

# 查看常见端口占用 node -e "require('net').createServer().listen(11311, '127.0.0.1', () => { console.log('11311 空闲'); process.exit(0) }).on('error', () => console.log('11311 被占用'))" # 查看 7860/8000 等 Web 服务端口是否被占用 netstat -ano | grep 8000

5. 安装部署与启动方式

5.1 安装 Claude Code

Claude Code 的安装本质是一个 npm 全局包。官方推荐命令如下：

npm install -g @anthropic-ai/claude-code

安装完成后，检查版本：

claude --version

在项目目录里启动：

cd ~/robot_ws/src claude

启动后，Claude Code 会进入交互界面。第一次使用需要完成登录认证或配置 API Key。如果使用 API 方式，通常需要设置环境变量，例如：

export ANTHROPIC_API_KEY="你的 key"

环境变量的具体名称和认证方式，以官方文档为准。如果你在终端里执行claude时提示“不是内部或外部命令”“command not found”，大概率是 Node.js 没装好，或者 npm 全局 bin 目录没有加入 PATH。

5.2 准备机械臂仿真环境

这里以一个常见的工作流为例，具体命令需要按你安装的机械臂模型包调整。

如果你使用 ROS2 Humble + MoveIt + Gazebo，常见步骤是这样：

# 1. 创建工作空间（如果还没有） mkdir -p ~/robot_ws/src cd ~/robot_ws # 2. 编译工作空间 colcon build --symlink-install # 3. 加载环境变量 source /opt/ros/humble/setup.bash source ~/robot_ws/install/setup.bash

启动机械臂模型和 Gazebo 仿真：

ros2 launch panda_moveit_config demo_gazebo.launch.py

这个 launch 文件的名字和机械臂模型包是绑定的，如果你是 UR5、Aubo、xArm 或其他型号，文件位置和名称都不一样，要以你实际安装的包为准。

启动后，会看到 Gazebo 窗口里的机械臂模型和 RViz 里的运动规划界面。此时你可以在 RViz 里拖动目标点，让 MoveIt 规划一段轨迹，验证环境本身是否正常。

5.3 让 Claude Code 生成控制脚本

仿真环境正常启动后，回到~/robot_ws/src目录，启动 Claude Code，然后给它一个明确任务：

写一个 ROS2 Python 节点，使用 moveit_commander 控制 Panda 机械臂， 将末端执行器移动到 [0.4, 0.1, 0.5] 位置，朝向保持竖直向下， 移动速度设为默认值，添加碰撞检测，打印规划状态和执行结果。

Claude Code 会生成一个 Python 文件，同时通常会提示你还需要哪些依赖、是否需要 source 环境。你需要做的是审查这个脚本，尤其是确认这些内容：

目标位置是否在机械臂可达范围内。
是否调用了plan()和execute()。
异常情况下是否有保护逻辑，例如规划失败后停止，而不是继续执行。
速度是否过大，是否应该设置MaxVelocityScalingFactor为低速。

示例代码如下，实际运行时请按你生成的版本为准：

#!/usr/bin/env python3 import rclpy from moveit_commander import MoveGroupCommander def main(): rclpy.init() move_group = MoveGroupCommander("panda_arm", node=None) # 目标位置，单位：米 target_pose = [0.4, 0.1, 0.5] move_group.set_position_target(target_pose) # 规划前先限速，给调试留出安全空间 move_group.set_max_velocity_scaling_factor(0.1) ok, plan, planning_time, error_code = move_group.plan() if ok: execute_result = move_group.execute(plan, wait=True) print("执行结果：", execute_result) else: print("规划失败，错误码：", error_code) move_group.stop() rclpy.shutdown() if __name__ == "__main__": main()

请注意，这段代码是典型的模板写法，具体到你的 MoveIt 配置、规划组名称、坐标系名称，都会不同。运行前必须结合你自己的机械臂配置检查。

6. 功能测试与效果验证

如果你是第一次接触“用 Claude Code 控制机械臂”这个方向，建议按四层递进测试，不要一步跳上真机。

6.1 第一层：测试代码生成能力

这一步不涉及机械臂硬件，只验证 Claude Code 能不能生成合理的运动学代码。

测试输入：

写一个 Python 函数，计算常见的 6 自由度机械臂正运动学。 使用标准的 DH 参数表，输入六个关节角度，输出末端位姿矩阵。 请使用 numpy 实现，并写出注释。

预期结果：代码可运行，能正确计算末端位姿。你可以定义一个简单的 DH 参数表，比如关节角都为 0 时末端姿态应该是已知的初始位姿。如果输出和预期不符，把数值贴给 Claude Code，它会自动排查。

判断标准：代码能运行，且数值上符合 DH 参数定义。这一步能快速测试 Claude Code 是否理解机械臂基础概念。

6.2 第二层：仿真环境运动测试

把前面生成的 MoveIt 脚本放到 Gazebo 仿真里运行。

测试步骤：

启动 Gazebo 仿真。
启动 RViz 和 MoveIt。
让 Claude Code 修改目标位姿，生成三条不同轨迹。
执行其中一条轨迹，观察机械臂是否运动到目标点。

预期结果：RViz 中显示规划的轨迹，机械臂在 Gazebo 中平滑运动到目标位姿，没有穿越障碍模型，没有异常抖动。

判断标准：运动完成，且终态位置与目标位置的误差在允许范围内。如果出现规划失败，查看错误码和终端日志，把日志喂给 Claude Code 继续修。

常见失败原因：

目标点超出工作空间，MoveIt 会反馈NoIK solution。
规划组名称不对。
机械臂模型在 Gazebo 中未正确加载。
碰撞模型网格有问题。

6.3 第三层：视觉抓取仿真测试

如果要做“视觉引导抓取”，先不要上真实相机。可以考虑在 Gazebo 里放一个已知坐标的物块，测试整个视觉闭环：

相机或模型发布目标物块在相机坐标系下的位置。
程序通过 TF 变换把目标坐标转换到机械臂基座坐标系。
调用 MoveIt 规划抓取轨迹。
执行抓取。

测试输入可以是：

写一个 ROS2 节点，订阅目标物体的位姿话题，将坐标从 camera_link 坐标系 变换到 panda_link0 坐标系，然后调用 MoveIt 规划末端执行器到达该位置的轨迹。

预期结果：机械臂能移动到目标上方，并根据抓取姿态调整末端方向。

判断标准：运动过程中没有碰撞，末端姿态满足抓取要求。这个阶段最容易暴露的是 TF 树配置问题，可以在一开始就打印转换结果，先手动核对坐标，再让机械臂执行。

6.4 第四层：真机前的安全检查

从仿真切换到真机，是所有步骤里风险最高的，必须单独列一个层级来谈。

真机验证的前提条件：

已经获得设备使用授权，并确认在合规实验场地进行。
急停开关位于测试人员随时可以触达的位置，并且已经测试过有效。
机械臂周围没有人员、杂物和不固定工件。
所有运动指令都用极低速度执行，例如MaxVelocityScalingFactor = 0.05。
第一次运行采用手动单步执行，不跑批量任务。
由具备机械臂安全操作经验的人员监督。

真机上第一步，只测试机械臂从当前位置移动到 5 厘米外的目标点，观察运动方向是否和预期一致，末端姿态是否正确。确认无误后，再逐步增加移动距离和速度。

千万不要在一个还没有跑通仿真、没有急停装置的环境里，直接让 Claude Code 生成的脚本操作真实机械臂。这不是保守，而是基本的安全要求。

7. 接口 API 与批量任务

7.1 控制服务接口设计

实际工程里，通常不会让 Claude Code 直接和机械臂驱动通信，而是把它生成的逻辑封装成一个控制服务，统一提供 REST 或 ROS 接口。这样更方便权限管理、日志审计，也避免 AI 偶发错误直接影响硬件。

一个简单的 REST 接口方向如下：

# 假设这是一个机械臂控制服务，端口 18080 POST /api/move_to { "position": [0.4, 0.1, 0.5], "orientation": [1, 0, 0, 0], "velocity_scale": 0.1, "plan_only": false }

服务内部负责调用 MoveIt 规划并执行，返回执行结果：

{ "success": true, "plan_time": 1.2, "execution_time": 3.1, "final_position": [0.4, 0.1, 0.5] }

这样做的好处是，Claude Code 只负责生成任务参数和调用接口，真正的执行逻辑固定在一个经过测试的服务里，风险面小很多。

7.2 Python 调用模板

用 Python 调用这种控制接口很直接：

import requests url = "http://127.0.0.1:18080/api/move_to" payload = { "position": [0.4, 0.1, 0.5], "orientation": [1, 0, 0, 0], "velocity_scale": 0.1, "plan_only": False } response = requests.post(url, json=payload, timeout=30) if response.status_code == 200: result = response.json() print("执行成功" if result.get("success") else "执行失败") print(result) else: print("HTTP 错误：", response.status_code)

注意，这只是通用调用模板，实际的 URL、端口、字段名都要按你的接口定义来调整。关键点是超时要设置，不能无限等待，尤其是一个机械臂运动失败卡住的情况。

7.3 批量任务的正确做法

机械臂批量任务和高并发接口请求完全不同。物理设备不能并发，只能排队。一个合理的批量任务队列需要满足这几点：

任务表：每条任务包含目标位姿、速度、是否允许失败重试。
顺序执行：同一台机械臂同一时间只能执行一个任务。
失败熔断：连续失败两次以上，停止整批任务，等待人工确认。
日志记录：每个任务记录执行时间、成功/失败状态、错误信息。
人工确认：涉及真机的大范围运动，建议每执行一条都确认一次。

批量任务脚本模板：

import time import requests tasks = [ {"id": 1, "position": [0.4, 0.1, 0.5], "velocity_scale": 0.1}, {"id": 2, "position": [0.3, 0.2, 0.4], "velocity_scale": 0.1}, {"id": 3, "position": [0.5, -0.1, 0.6], "velocity_scale": 0.08}, ] control_url = "http://127.0.0.1:18080/api/move_to" failed_count = 0 for task in tasks: payload = { "position": task["position"], "orientation": [1, 0, 0, 0], "velocity_scale": task["velocity_scale"], "plan_only": False, } try: resp = requests.post(control_url, json=payload, timeout=30) result = resp.json() if not result.get("success"): failed_count += 1 print(f"任务 {task['id']} 失败：{result}") else: failed_count = 0 print(f"任务 {task['id']} 完成") except Exception as e: failed_count += 1 print(f"任务 {task['id']} 异常：{e}") if failed_count >= 2: print("连续失败达到阈值，批量任务停止，需要人工确认。") break time.sleep(1)

这段脚本同样需要按你的控制服务接口调整。它的价值在于展示了“带熔断和日志”的批量任务结构，而不是直接可用的生产代码。

7.4 关于 Claude API 和控制接口的关系

Claude Code 本身也可以被外部程序调用，形成一个“自动生成任务参数 → 提交给机械臂 → 获取结果 → 自动修正”的闭环。但在物理设备上，这个闭环不能完全自动化，至少要保留人工确认节点。

常见做法是：

Claude Code 读取任务需求。
生成目标位姿、运动策略、速度参数。
输出为 JSON 任务文件。
人工 review 任务文件。
控制服务按任务文件顺序执行。
执行日志反馈给 Claude Code，用于下一次优化。

这样既保留了 AI 的高效，也保住了人工的裁决权。

8. 资源占用与性能观察

8.1 Claude Code 的资源占用

Claude Code 本身是一个命令行工具，本地资源占用主要看项目大小和上下文长度。一般来说，CPU 占用不高，但要读取大文件或扫描整个仓库时，内存会出现短期波动。如果使用云端模型服务，显存压力不在本地，主要瓶颈在 API 调用延迟和配额。

如果你用本地开源模型来做类似 Agent 的代码生成，就需要重点观察显存占用。用nvidia-smi实时查看：

nvidia-smi -l 2

在模型加载过程中显存会快速上升，运行时保持相对稳定。如果显存不足，优先考虑量化版本的模型，或调小上下文长度。这些都是通用经验，具体数值必须结合你使用的模型和推理框架确认。

8.2 Gazebo 和 MoveIt 的性能观察

Gazebo 仿真对 CPU 敏感，尤其是刚体碰撞计算和传感器渲染。启动后可以用htop观察gzserver进程的 CPU 占用，如果持续超过 100%，要考虑降低仿真频率、减少模型面数、关掉不必要的传感器。

ROS1 环境下可以用rqt_graph看节点通信状态，用rostopic hz检查话题发布频率：

rostopic hz /joint_states

这个话题表示机械臂关节状态发布频率。如果频率明显偏低，说明仿真器计算压力过大，机械臂运动会出现卡顿。

8.3 影响资源占用的关键因素

机械臂模型的几何复杂度：网格面数越多，碰撞检测越慢。
相机传感器：Gazebo 里挂载 RGB 相机和深度相机会显著增加 CPU/GPU 负载。
轨迹规划频率：MoveIt 规划不需要一直占资源，但如果每个控制循环都重新规划，占用会翻倍。
批量任务中的日志频率：高频日志会拖慢脚本，也会把磁盘占用拉上去。
本地模型上下文长度：如果让 Claude Code 每次携带大量文件内容，内存和 API 消耗都会上升。

降低占用的常用手段：仿真中把传感器更新频率从 30Hz 降到 10Hz，不用深度相机时直接关掉，批量任务中只保存任务级别日志，不保存逐帧点云。

9. 常见问题与排查方法

问题现象	可能原因	排查方式	解决方案
`claude`不是内部或外部命令 / command not found	Node.js 未安装，或 npm 全局 bin 不在 PATH 中	执行`node -v`和`npm -v`检查	安装 Node.js，重装 Claude Code，检查 PATH
Claude 启动后提示账号不可用或服务不可用	账号权限、认证状态、服务地区限制或网络问题	查看官方服务状态和账号订阅状态	确认账号权限，检查认证配置，以官方支持为准
配置第三方模型名后报错`... is not a model this version of claude code recognizes`	当前 Claude Code 版本不识别该模型名/别名	查看版本和模型配置	检查模型名称是否正确，升级或降级 Claude Code 到匹配版本
Claude Code 生成的脚本提示找不到`moveit_commander`	ROS 环境没有 source，或依赖未安装	检查当前终端是否`source`了 ROS 和 workspace	先执行`source /opt/ros/humble/setup.bash`，再 source 工作空间
Gazebo 启动后机械臂模型消失或加载失败	模型路径不对，`GAZEBO_MODEL_PATH`未配置	打印环境变量，查看启动日志	添加模型目录到`GAZEBO_MODEL_PATH`
MoveIt 规划失败，提示无可达解	目标点超出工作空间，或关节角范围受限	在 RViz 里手动拖动目标点测试	调整目标位姿，或调用 IK 求解器打印原因
真机运动方向与预期相反	坐标系定义不一致，或关节角偏移量错误	第一步只发一个很小的增量运动，对比预期方向	统一坐标系，单独测试每个关节的正负方向
API 调用超时或连接失败	服务未启动、端口错误、防火墙拦截	查看服务日志，使用 curl 测试接口	更换端口，检查依赖，增加超时重试
批量任务执行到一半卡住	没有超时控制，或失败后没有熔断	查看任务日志和机械臂状态话题	加入超时和连续失败熔断逻辑
本地模型推理显存不足	上下文过长，或模型量化精度过高	运行`nvidia-smi`观察显存	缩短上下文，换量化模型，关闭其他 GPU 进程
仿真和真机轨迹差距明显	仿真模型参数与真机不一致，摩擦、惯量有差异	对比关节角度曲线	使用低速和较小位移做真机验证，逐步逼近

10. 最佳实践与使用建议

10.1 永远先从最安全的仿真环境开始

无论是写代码还是做实验，先让 Claude Code 在 Gazebo 或 Mujoco 里把逻辑跑通。仿真环境里出现的坐标错误、规划失败、代码报错，修起来成本为零；同样的问题在真机上可能直接损坏设备。

10.2 让 Claude Code 参与“方案生成”，而不是直接接管执行

比较稳妥的分工是：Claude Code 负责写代码、查错误、生成参数文件，最终的执行操作由人确认后通过固定接口下发。这样即使 AI 出现幻觉或者代码有隐患，也不会直接作用到硬件驱动器。

10.3 代码审查只看这五个点

拿到 Claude Code 生成的机械臂代码，重点检查：

目标位姿是否可达。
速度是否被限制在安全范围内。
规划失败后是否有停止逻辑。
是否有日志输出和状态反馈。
是否误用了绝对坐标和相对坐标。

满足这五条，才可以考虑在受控环境中试运行。

10.4 工程化管理机械臂项目

机械臂项目里同时存在 Claude Code 配置、ROS 代码、仿真模型、相机标定数据、日志文件，非常容易乱。建议目录结构类似：

robot_ws/ ├── src/ # 源代码 ├── config/ # 机械臂参数、DH 参数、MoveIt 配置 ├── models/ # 机械臂和物体模型 ├── tasks/ # 任务参数 JSON ├── logs/ # 运行日志 └── scripts/ # 批量执行脚本

用 git 管理代码，API Key 不能提交到仓库。日志文件放.gitignore，避免把几 GB 的仿真日志推进版本库。

10.5 合规与授权

涉及时控机械臂、视觉抓取、声音、人脸等场景，必须确认素材和设备的使用权。没有授权的情况下，不要对真实设备、真实业务系统做自动化控制。特别是“拦截打款”“操作资金”“控制真实设备”这类场景，只能在明确授权的测试环境、演示环境里进行，任何以 AI 名义绕过安全和合规边界的操作都不能做。

10.6 保存一套最小可运行配置

在你完成一次“Claude Code 生成脚本 → 仿真运行成功”的流程后，立刻把用到的环境、命令、依赖版本记录下来。以后即使环境崩溃、依赖升级，也能快速恢复。这一套最小配置会成为后续所有实验的基础。

11. 总结与下一步

这个方向最值得尝试的一点，不是让 AI “接管物理世界”的新闻效应，而是它能显著压缩机械臂控制原型开发的时间：一个常见的点到点运动脚本，传统开发需要查 SDK、调参数、反复编译，现在可以先让 Claude Code 生成初版，再在仿真里迭代修正。

建议你第一次实验只做三件事：安装 Claude Code，在 Gazebo 里加载一个机械臂模型，让 Claude Code 生成一段从 A 点到 B 点的 MoveIt 控制脚本并跑通。先解决“能不能驱动仿真”，再考虑视觉抓取和真机迁移。

最容易踩的坑有两个：一是环境变量没配好，导致 ROS 包找不到；二是不检查目标点是否在工作空间内，直接在真机上执行，造成设备超出关节限位。这两个问题，前者多花几分钟排查即可，后者可能带来实际损失，务必重视。

后续可以继续扩展的方向包括：让 Claude Code 参与视觉抓取的坐标变换调试、用 Mujoco 做机械臂强化学习环境、把多机械臂任务写成批量队列、给执行层加操作审计日志。这些方向每一步都在增加功能的复杂度和安全性要求，但也比“让 AI 直接操作硬件”靠谱得多。建议先把这篇文章里的四层测试流程走完，再决定下一步往哪个方向走。