第一部分：宏观认知与整体感受 (破冰与建立大局观)
- 贵公司使用 RDK X5 套件有多长时间了？主要用在哪一类产品或项目上？
- 从你们的实践经验来看，RDK X5 平台（或更广义的地平线征程5芯片）最大的优点是什么？
- 反过来说，你们觉得它最主要的槽点、或者说开发过程中最痛苦的地方是哪里？
- 对于一个刚接触这个平台的新手，你们认为学习曲线陡峭吗？大概需要多久能上手跑通第一个自研模型？
- 你们目前使用的 RDK X5 软件栈（工具链、固件、驱动）是哪个版本的？为什么选择这个版本，有没有踩过版本兼容性的坑？
- 整个算法从开发到部署，你们内部形成的一套标准流程（SOP）是怎样的？（例如：PyTorch训练 → ONNX导出 → 量化 → 编译 → 板端验证）
- 在这个流程中，哪个环节最耗时、最容易出问题？
- 你们团队中，负责算法、嵌入式软件和硬件的工程师是如何分工协作的？
- 地平线官方的技术支持（FAE）响应速度和解决问题的能力如何？你们主要通过什么渠道联系他们？
- RDK X5 和其他你们接触过的嵌入式AI平台（如 NVIDIA Jetson, TI Jacinto, NXP i.MX）相比，在开发体验和性能上有什么显著差异？
第二部分：文档、资源与开发环境
- 【核心问题】 我们刚开始，请问最关键的几份文档是哪些？例如《快速入门指南》、《工具链用户手册》、《Runtime API手册》等，你们内部有没有整理过一个“必读文档列表”？
- 【核心问题】 请问 RDK X5 的完整SDK包（包含工具链、交叉编译环境、板端固件、示例代码等）应该从地平线哪个官方渠道下载？是开发者社区、还是需要向销售/FAE申请的特定FTP？
- 下载链接或获取方式能方便提供一下吗？或者给个关键词，我们自己去搜。
- 你们的开发主机环境是什么？（例如 Ubuntu 18.04, 20.04?）有没有推荐的 Linux 发行版和版本？
- 你们是直接在物理机上搭建开发环境，还是使用 Docker？如果是 Docker，有没有官方或你们自己制作好的 Docker Image 可以分享或参考？
- 除了官方SDK，还有没有哪些第三方工具、脚本或社区项目是你们觉得非常有用的？
- 地平线的开发者社区（例如“地平线开发者社区”）活跃度如何？你们会在上面提问或分享吗？
- 板端的操作系统，你们是直接用官方提供的，还是会根据产品需求进行裁剪或定制？
- RDK X5 板子刷机和系统升级的流程是怎样的？有什么需要特别注意的地方吗？
- 开发环境搭建过程中，有没有遇到过什么依赖库版本冲突的“天坑”？
第三部分：算法工具链 (OpenExplorer) 核心细节
模型准备与转换
- 你们的算法模型主要是用什么框架训练的？（PyTorch, TensorFlow, Caffe?）
- 将训练好的模型导出为 ONNX 格式时，有没有什么“最佳实践”？比如，ONNX Opset 版本推荐用哪个？
- 地平线的工具链对 ONNX 算子（Operator）的支持情况如何？你们有没有遇到过大量不支持的算子？
- 对于不支持的算子，你们通常是怎么处理的？是选择：
- 修改模型结构，规避这个算子？
- 开发自定义算子（Custom Operator）？
- 还是把这部分放在 CPU 上执行？
- 如果开发自定义算子，流程复杂吗？官方文档对这块的描述清晰吗？有没有现成的例子可以参考？
- 模型转换工具（例如
hb_mapper makertbin）最常用、最重要的参数是哪些？ - 在模型检查（
hb_mapper checker）阶段，最常遇到的错误或警告是什么？分别代表什么问题？ - 模型的输入格式有什么要求？比如
NCHW还是NHWC？RGB还是BGR？需不需要归一化到[-1, 1]或[0, 1]？这些是在模型转换时指定，还是在板端运行时处理？
模型量化 (Quantization)
- 这是BPU优化的核心，你们通常采用哪种量化方式？训练后量化（PTQ）还是量化感知训练（QAT）？
- 如果用PTQ，校准数据集（calibration data）的选择有什么讲究？大概需要多少张图片？需要和训练集/测试集同分布吗？
- 量化工具对于校准数据集的格式和预处理有什么要求？
- 量化后的模型，精度损失一般在什么范围？你们如何评估量化带来的精度下降？
- 遇到量化后精度骤降的情况，你们的排查思路是怎样的？有没有工具可以分析是哪个层（layer）对量化最敏感？
- 对于混合精度（部分层FP32，部分层INT8），工具链支持得好吗？配置复杂吗？
- 你们有没有尝试过 per-channel 量化？相比 per-tensor 量化，效果提升和性能开销如何？
模型编译与优化
hb_mapper makertbin编译模型时，-march参数你们选择哪个？（例如bernoulli2）- 编译时，有没有可以手动指定的优化选项来提升性能？比如算子融合、内存布局优化等。
- 如何为模型在BPU上的运行分配核心（BPU Core）？工具链是自动分配还是可以手动指定？
- 编译生成的
.hbm模型文件，除了包含模型权重和结构，还包含了哪些信息？ - 你们有没有用过地平线提供的性能仿真工具（Simulator）？它预估的性能（FPS, Latency）和板端实测差距大吗？
第四部分：板端部署与 Runtime API
- 在 RDK X5 板端，你们主要使用哪一套 API 来加载和运行模型？是
hbdk，hbon，还是更上层的hbDNN？它们各自的优缺点和适用场景是什么？ - 模型加载和初始化的过程耗时吗？对于需要快速启动的应用，有什么优化方法？
- 输入数据（例如摄像头采集的图像）的预处理（如 resize, crop, padding, BGR→RGB, HWC→CHW, aipp）是在哪里完成的？
- 完全在 CPU 上用 OpenCV 等库处理？
- 利用了地平线提供的硬件加速模块（如 VPU/JPU）？
- BPU 模型本身是否可以集成一些预处理操作？
- 预处理这块，你们踩过哪些坑？性能瓶颈主要在哪？
- 如何获取模型的输入/输出 Tensor 的地址、形状（Shape）和数据类型？
- 内存管理是怎么做的？特别是输入输出 Tensor 的内存，是需要我们手动
malloc/free，还是由 Runtime API 管理？ ddr带宽是瓶颈吗？如何高效地进行 CPU 和 BPU 之间的数据拷贝？有没有零拷贝（Zero-copy）的实现方法？- 推理是同步（synchronous）调用还是异步（asynchronous）调用？你们的项目里用哪种多？
- 如果是异步调用，回调函数（callback）的执行线程是在哪里？需要注意线程安全问题吗？
- 如何在板端获取单次推理的耗时？以及各个层的耗时？
- 板端有没有类似
htop的工具，可以实时查看 BPU、CPU、内存的使用率？叫什么名字？怎么用？ - 你们有没有试过在一个应用中同时运行多个不同的模型？BPU调度和资源分配上有没有遇到问题？
第五部分：性能分析与调试 (Profiling & Debugging)
- 当模型在板端的实际运行速度（FPS）不达预期时，你们的性能分析（Profiling）流程是怎样的？
- 主要使用哪些工具来定位性能瓶颈？是
hb_perf工具吗？它的使用复杂吗？ hb_perf的输出报告怎么解读？能看到每个算子在BPU上的具体耗时吗？- 常见的性能瓶颈有哪些？是某个算子特别耗时、数据搬运（DMA）开销大，还是 CPU 预处理跟不上？
- 针对不同的瓶颈，你们有哪些对应的优化策略？
- 当模型的推理结果和预期（例如和PC端ONNX Runtime的输出）不一致时，你们的调试（Debugging）流程是怎样的？
- 有没有办法获取BPU中间某一层的输出结果，并与PC端的结果进行比对？
- 官方有没有提供 Dump 工具或者 API 来实现这个功能？
- 精度问题排查下来，最常见的原因是什么？是量化问题、预处理不一致，还是算子实现的差异？
- 在板端运行的程序如果崩溃（segmentation fault），你们一般如何 GDB 调试？是用交叉编译的 gdbserver 吗？
- 日志系统完善吗？Runtime API 会不会在出错时打印出有用的错误信息？
第六部分：硬件与系统集成
- RDK X5 套件的散热做得怎么样？在长时间高负载运行BPU时，有没有出现过热降频甚至死机的问题？
- 你们有没有自己加装风扇或者散热片？
- 你们主要接入的是什么类型的摄像头？MIPI CSI 接口的驱动和适配工作量大吗？
- 摄像头图像采集（ISP相关）的调试，是地平线的工具链支持，还是需要摄像头模组厂商的技术支持？
- 整个系统的功耗大概是多少？你们有没有做过精细的功耗评估和优化？
- 板端的存储（eMMC）读写速度如何？对于需要加载大模型或者频繁读写文件的应用，会不会成为瓶颈？
- 除了BPU，你们有没有用到芯片上的其他硬件加速单元，比如 VPU (视频编解码), JPU (JPEG编解码)？和BPU流水线配合得好吗？
第七部分：项目实践与经验之谈 (“踩坑”分享)
- 回顾整个项目，哪个“坑”让你们团队印象最深刻，花了最长时间才解决？
- 有没有哪个问题，最后发现是官方文档的描述有误导或者不清晰导致的？
- 在版本升级时（比如从一个SDK版本升级到另一个），遇到过哪些痛苦的兼容性问题？
- 有没有什么你们自己总结出来的、文档里没写的“奇技淫巧”或“祖传秘方”？
- 对于模型的网络结构设计，有没有什么针对地平线BPU的“潜规则”？比如，用哪种激活函数（ReLU vs SiLU）性能更好？多用 3x3 卷积？避免使用某些特定结构？
- 你们认为，一个合格的、能在这个平台上高效工作的算法工程师，需要具备哪些额外的技能点？（比如对嵌入式系统、对编译原理的理解？）
- 如果能回到项目开始的时候，你们会在技术选型或开发流程上做出哪些不一样的决定？
- 在开发过程中，有没有哪些操作是“高危”的，一不小心就可能导致板子变砖？
- 对于多线程或多进程程序，BPU Runtime 的实例是线程安全的吗？你们是如何处理多线程访问BPU的？
- 最后，对于我们这样的新团队，如果只能给三条建议，会是什么？