Reality AI 是什么、核心能力（传感器数据采集、自动特征工程、模型生成）、与传统ML开发流程对比、适用场景（振动分析、声音识别、电流监测）。
安装 Reality AI Tools、注册与许可证激活、安装 MCU 交叉编译工具链（ARM GCC、IAR）、配置 Python 环境（用于数据预处理脚本）。
理解采样率与分辨率、使用 Reality AI 内置工具采集加速度计数据、数据格式解析（CSV、BIN）、数据质量检查（缺失值、噪声判断）。
数据清洗（滤波、去趋势）、时间窗口分割（固定窗口、滑动窗口）、标签定义与标注策略（正常/异常分类、多状态分类）。
Reality AI 的 AutoFE 原理、时域特征（均值、方差、峰值）、频域特征（FFT 频谱、能量带）、特征重要性排序。
训练/验证集划分、模型类型（决策树、随机森林、SVM、轻量级神经网络）、评估指标（准确率、混淆矩阵、F1-score）、模型大小与RAM占用预估。
导出为 C 代码（.c/.h 文件）、模型量化（float32 → int8）、剪枝与压缩、在 PC 端仿真验证导出的模型。
选择目标 MCU（STM32、NXP、ESP32）、配置 GPIO 与 SPI/I2C 接口连接传感器、内存规划（Flash 与 RAM 分配）。
添加 Reality AI 推理引擎到 MCU 工程、初始化推理引擎、加载模型参数到 Flash。
编写加速度计驱动（如 ADXL345）、配置数据就绪中断、DMA 传输数据、环形缓冲区管理。
从传感器读取到推理的完整链路、数据帧同步、时间戳管理、低延迟设计要点。
C 语言 API 详解（rte_init、rte_run、rte_get_result）、单次推理与连续推理模式、结果回调函数设计。
置信度阈值设置、去抖滤波（Debounce）、状态机设计（空闲、监测、告警）、输出控制（LED、蜂鸣器、UART 日志）。
MCU 低功耗模式（Sleep、Stop、Standby）、传感器 duty cycle 控制、推理频率动态调整、使用 RTC 唤醒。
串口打印调试信息（printf 重定向）、使用 Segger RTT、实时波形输出（通过串口绘图工具）、断言与错误处理。
计算推理时间（使用 DWT 或 TIM 计时）、测量峰值 RAM 使用、Flash 占用分析、对比不同优化选项的性能。
固件分区设计（Bootloader + App）、模型参数存储在外部 Flash、通过 BLE/WiFi 接收新模型、校验与回滚机制。
同步采集加速度计与麦克风数据、时间对齐、特征级融合与决策级融合、Reality AI 的多输入模型支持。
增量学习概念、在 MCU 上收集新数据、回传云端重新训练、模型版本管理。
需求分析、传感器选型（ADXL345 采样率 3200Hz）、数据采集计划、标注策略（正常、轴承磨损、转子不平衡）。
Reality AI 中配置项目、导入数据、运行 AutoFE、训练模型、评估混淆矩阵。
导出模型、集成到 STM32F4 工程、编写驱动与推理代码、串口输出诊断结果。
现场测试、调整阈值、优化功耗（从 50mA 降到 5mA）、部署到实际设备。
麦克风选型（PDM 接口）、音频数据采集（16kHz/16bit）、预处理（预加重、分帧、加窗）。
提取 MFCC 特征、在 Reality AI 中训练分类器、模型量化到 int8。
在 ESP32 上部署、使用 I2S 接口采集音频、实时推理、通过 WiFi 发送识别结果。
电流钳传感器、ADC 配置（12bit/1kHz）、数据归一化、滑动窗口特征提取。
Reality AI 模型训练、导出、在 Cortex-M0+ 上部署、低资源优化（模型仅 4KB）。
模型推理结果异常排查、内存溢出问题、传感器数据不同步、Reality AI 工具报错处理。
从原型到量产的关键步骤、Reality AI 与 TFLite Micro 对比、联邦学习在边缘 AI 中的应用、推荐学习资源。