企业官网建设流程全解析

这套配置我前后折腾了两周，期间无数次怀疑是不是主板供电或者转接卡出了问题。最后看到nvidia-smi里整整齐齐列出四张 T10 计算卡时，才确信这个看起来有点离谱的组合——一台巴掌大的 NUC，带四张计算卡——是真的能稳定跑起来的。

“四张 T10 + NUC 计算卡”这个方案，本质上是给边缘推理、视频转码、小规模并行计算场景，搭一个低成本的多卡节点。它不是什么高不可攀的服务器方案，也不需要专门的机架和机房，一张普通办公桌上就能放下。如果你手里正好有 T10 计算卡，又不想为此买一台笨重的工作站，或者你正在纠结 NUC 到底能不能带多卡、供电怎么解决、驱动怎么认卡，那这篇文章应该能帮你避掉不少坑。

下面内容全程来自我的实际装机记录，包含完整的硬件清单、BIOS 设置、驱动部署、性能实测和故障排查，所有步骤都是我踩过坑之后整理出来的，尽量写得直白一点，方便你直接照着操作。

1. 方案思路：为什么是“NUC + 四张 T10”

1.1 需求倒推：这台机器要解决什么问题

很多人看到这个标题第一反应是：NUC 这么小的机器，怎么可能插四张卡？确实，NUC 主板上连一条标准 PCIe x16 插槽都没有，单从物理接口看，它和“多卡装机”完全是两个世界的事情。但换个思路想，我们需要的不是把卡插进 NUC 内部，而是让 NUC 通过某种方式把 PCIe 总线扩展出去，外接一个能插多张卡的空间。

那为什么不直接上一台二手服务器或者 ATX 工作站？我当时的场景很明确：需要在办公环境长期跑一个多路视频流推理服务，要求噪声低、体积小、功耗可控。服务器那种暴力风扇一开机整个办公室都听得见，放家里更是没法接受。相比之下，NUC 虽然单机算力不强，但它作为宿主机去调度外置计算卡，CPU 占用其实非常低，更多时候只是做数据分发和任务调度。

至于为什么是四张 T10，而不是一张大显存卡，原因也很简单。T10 这类计算卡单位功耗下的性价比高，单卡显存虽然不算夸张，但四张拼起来，总显存和并发吞吐都上去了。而且推理任务大多是“多路并行”而不是“单任务强依赖”，四张卡可以分别处理不同的视频流、不同的模型实例，互不干扰。比起买一张价格翻好几倍的大卡，这种“多小卡并联”的方式在成本和调度灵活性上都更有优势。

1.2 NUC 当宿主机的底气与短板

可能有人会问，NUC 性能就那么点，带四张计算卡会不会带不动？实际用下来，只要你不是在 NUC 自身上跑重型训练，问题不大。NUC 高端型号配备的是 i7 级别的移动处理器，内存到 32GB，应付推理任务的数据预处理和多进程调度绰绰有余。我这里跑的是多路视频流预处理，CPU 占用一直控制在 30% 左右，瓶颈从头到尾都在 PCIe 带宽上。

NUC 的短板也很明确：PCIe 通道数太少。桌面级 CPU 一般给 x16 直连显卡，而 NUC 的 M.2 插槽通常只有 x4 通道，雷电口更是要经过额外的控制芯片。换句话说，无论你用什么方式外扩，四张卡都只能共享一条 x4 的 PCIe 链路，而不是每张卡独占 x16。这个限制决定了它不适合做通信密集型的大模型并行训练，但用在推理和转码这类“数据搬得少、计算耗得多”的场景，折损完全可以接受。

我在实测中发现，四张 T10 同时跑推理任务时，共享的 PCIe x4 Gen3 链路会在高并发下接近占满，但单卡的核心利用率依然能稳定在 85% 以上。这是 NUC 多卡方案能不能成立的关键：计算卡的算力消耗主要在核心上，而不是在不停地搬数据上。如果你的任务需要频繁把大量数据从内存搬到显存再搬回来，那这套方案会非常难受。

1.3 三种外扩方案怎么选

把 PCIe 从 NUC 引出来，市面上常见的有三条路：M.2 转 PCIe、雷电（Thunderbolt）扩展坞、OCuLink 外接扩展箱。我分别说一下优劣。

M.2 转 PCIe 是最直接的方式，把 NUC 主板上空闲的 M.2 接口通过转接卡变成 PCIe x16 物理插槽，再接入一个四卡扩展笼。优点是带宽最大，M.2 直连 CPU，路径最短，延迟也最低。缺点是需要拆机，而且转接卡和扩展笼之间的线材、供电都得自己解决，非常 DIY。

雷电扩展坞是很多人第一反应想到的方案，毕竟插上就能用。但雷电的带宽固定在 PCIe x4 Gen3 左右，经过雷电控制器后实际可用带宽还会折损一部分，而且市面上几乎没有支持四张全高卡的雷电扩展坞，大多只能上一张卡。想靠雷电解决四卡问题，基本走不通。

OCuLink 是后起之秀，它本身就是为外接 PCIe 设计的，带宽和延迟表现不错，很多显卡坞和 JHL 扩展箱都在用。但 NUC 原生不带 OCuLink 接口，还需要用 M.2 转 OCuLink 再转 PCIe，等于多了一层转换，成本没有比 M.2 方案低多少。

所以我最终的方案是：NUC 空闲 M.2 接口插一张 M.2 转 PCIe x16 转接卡，再接一个带 PCIe 拆分的四卡扩展笼。这条链路硬件最少、带宽最大，也比较可控。

2. 硬件配单：把每一分钱花在刀刃上

2.1 T10 计算卡选型注意

T10 这个型号在不同渠道里差异挺大，买之前一定要确认清楚几个细节。首先看散热结构：我手里这批 T10 是单槽半高、主动涡轮散热。涡轮散热的优势是排热方向固定，可以从扩展笼尾部直接吹出去，多卡并排的时候不会像开放式散热那样互相加热。如果你收到的是被动散热版本，那扩展笼内的风道必须非常强，否则四张卡一起满载很容易过热降频。

其次看供电接口。部分 T10 卡只需要从 PCIe 金手指取电，最高功耗控制在 75W 以内，这种卡对扩展笼比较友好；但也有一部分版本会有额外的 6pin 或 8pin 辅助供电，装机前务必要把电源方案留够余量。我这边四张卡满载时单卡功耗大约 65W 到 70W，四张加起来接近 280W，这还不算扩展笼里风扇的功耗。

最后看有没有视频输出接口。计算卡通常没有显示输出，画面仍然要走 NUC 的核显 HDMI 输出。这一点很重要，因为很多人第一次插上计算卡后，发现显示器不亮，以为卡坏了，其实只是计算卡根本没接显示器的功能。

2.2 NUC 型号怎么挑，接口怎么确认

NUC 也有不同版本，选之前要确认两个条件。第一，必须带至少一个空闲的 M.2 插槽。多数 NUC 有两个 M.2，一个给系统盘，另一个可以拿来转 PCIe；有些低配版只有一个，装完系统盘就没有多余位置了。第二，BIOS 里要能看到 PCIe 相关的高级选项，尤其是 Above 4G Decoding，这一步很关键，后面会详细说。

我自己用的是 Intel NUC 12 厚版，i7 处理器，两个 M.2 插槽，其中一个走了 PCIe x4 Gen3 通道。如果你手里是 AMD 平台的 NUC 或者其他迷你主机，思路也一样，关键是确认 M.2 插槽的走线和 BIOS 选项。买之前最好先去官网下载对应机型的 BIOS 说明书，看一眼有没有 Above 4G 和 Resizable BAR 选项，这一步能省去后面很多折腾。

另外要注意 NUC 本身的外壳空间。插上 M.2 转 PCIe 转接卡后，转接卡会横在主板和底盖之间，原来的底盖大概率盖不上。我的做法是找了一条带线缆的 M.2 转 PCIe 延长线，把转接卡和背板之间的距离拉开，让线材从 NUC 底部开孔位置引出来。破坏原装外壳之前建议先量好尺寸，用美工刀慢慢修，不要把主板走线区域弄脏或者刮伤。

2.3 供电、转接、散热的完整清单

这块是我整个方案里最容易被低估的部分。NUC 原装电源只给主机本身供电，外接扩展笼和四张计算卡必须单独供电。一定不要试图从 NUC 的 M.2 接口取电给计算卡，M.2 插槽的供电能力非常有限，强行拉电轻则掉卡，重则烧板。

我最终的硬件清单如下：

扩展笼的供电方案要注意一个细节：很多扩展笼为了让主板识别，需要接一条主板 24pin 供电线。但我们这里并没有用 ATX 主板，所以需要短接 24pin 里 PS_ON 和 GND 两个针脚，让电源直接启动，再通过扩展笼上的供电接口给四张卡和风扇供电。具体短接方式是拿一根短导线或杜邦线，把 24pin 接口里绿色线对应的针和任意黑色地线针短接，电源就会持续输出。操作前记得断电，别带电玩这个。

3. 装机实录：从拆机到点亮四卡

3.1 M.2 转 PCIe 的第一条通路

装机的第一步，是把 NUC 拆开。翻到机器底部，拧掉四颗脚垫下面的螺丝，就可以把底盖卸下来。NUC 内部布局很紧凑，内存和 M.2 都在主板上，注意断电后等几秒再动。找到空闲的那个 M.2 插槽，把 M.2 转 PCIe 转接卡斜着插进去，然后压下转接卡并用原来的 M.2 固定螺丝锁紧。

这里有个非常重要的细节：转接卡的固定不能只靠 M.2 插槽的卡扣，因为转接卡的体积比 SSD 大很多，高负载下轻微的震动都可能导致接触不良。我的做法是在转接卡另一端和 NUC 外壳之间垫一块耐高温泡棉，让转接卡保持水平并压紧，这样才能最大限度减少掉卡的概率。线缆从转接卡一端引出，我选择从 NUC 底部散热孔附近穿出去，然后用扎带在线缆出线位置固定好，防止线缆拖动时把 M.2 接口带松。

线缆另一端接到四卡扩展笼的 PCIe x16 插槽上。扩展笼内部一般是竖插结构，四张卡并排插在同一个背板上，背板再把四路 PCIe 信号汇聚到一个上行接口。这里涉及一个概念叫 PCIe bifurcation，也就是把上行 x16 物理链路拆分成四条 x4 链路。四张卡插好后，背板会把拆分后的信号分给每一张卡。如果你的扩展笼不支持拆分，那逻辑上可能只认到一张卡，所以买扩展笼时要确认清楚是否支持 x16 转 4×x4 拆分。

3.2 四卡扩展笼的供电与接线顺序

插卡之前，先把四张 T10 从防静电袋里取出来，检查金手指和散热鳍片，确认没有明显磕碰。然后把扩展笼平放在桌面上，一张一张插卡。插卡时对准 PCIe 插槽，垂直用力压到底，听到卡扣弹响才说明到位。单槽卡之间挨得很近，插卡的时候尽量别碰旁边的卡。

四张卡全部插好后，接供电线。我的扩展笼面板上有两组供电接口：一组 24pin，一组 CPU 8pin。24pin 接 ATX 电源的主板接口，CPU 8pin 接到电源的 CPU/PCIe 输出口上。这里有个容易搞混的地方：有些电源的 8pin 输出标注的是 CPU，有些标注的是 PCIe，接口形状一样但脚位定义不一定兼容。安全起见，我直接用定制线从电源引出两根 PCIe 8pin 到扩展笼，避免用错线烧掉卡。

接线顺序也有讲究。先把 ATX 电源连接到扩展笼，然后用短接方式启动电源，这时候扩展笼的风扇应该开始转，四张卡如果有独立电源指示灯也会亮起来。确认扩展笼这边已经稳定带电后，再开 NUC 主机。千万不要反过来先把 NUC 开了再接扩展笼电源，那样相当于对着一张已经通着 PCIe 信号链路的卡做热插拔，很容易出现系统崩溃或者设备直接消失的情况。

3.3 BIOS 里必须调的五个开关

NUC 开机后按 F2 进 BIOS，这步是能不能点亮四卡的关键。我按顺序检查了下面这些选项，建议你也一样一样来，别跳步。

第一，开启 Above 4G Decoding。这个选项英文名叫 Above 4G Decoding 或者大于 4G 地址解码，作用是把 PCIe 设备的 BAR 空间映射到 64 位地址区域。四张计算卡需要不小的 I/O 地址空间，不开启的话，其中部分卡会认不到。不同版本 NUC 的 BIOS 把这项藏得比较深，一般在 Advanced > PCIe Configuration 或者 Advanced > Boot Performance 附近，找不到就用 BIOS 里的搜索功能直接搜。

第二，开启 Resizable BAR。它和 Above 4G 是搭配使用的，允许 CPU 一次访问更大的显存映射区域。NUC 的 BIOS 里默认可能是禁用，要手动打开。这个选项对游戏卡提升明显，计算卡在推理场景下也有小幅帮助，主要是减少了 CPU 访问显存时的地址切换开销。

第三，关闭 Secure Boot。这一点主要为了后面装驱动顺利，尤其是自己编译内核模块时，安全启动会挡住 NVIDA 等闭源驱动的加载。如果你坚持要开 Secure Boot，那后续驱动安装就得签注 MOK 密钥，徒增很多麻烦。我建议在实验机器上直接关掉。

第四，把 PCIe 速度手动锁定在 Gen3。M.2 转接卡和线缆质量参差不齐，自动协商有时候会出现链路降速或者不稳定，手动锁定 Gen3 能让训练和推理时的 PCIe 信号更稳定。如果你的转接卡支持 Gen4，NUC 本身也支持，那可以设成 Gen4，但前提是线缆足够短、屏蔽足够好。

第五，确认启动设备顺序。因为系统盘是 NVMe，而 M.2 转接卡也挂在 M.2 控制器下，BIOS 有时候会把它们混在一起，导致启动时卡在找不到引导盘的界面。把装有系统的那个 M.2 设为第一启动项即可。

BIOS 设置完保存退出，正常进入系统之后，先跑一下lspci | grep -i nvidia或者lspci | grep -i "T10"，看看系统到底认到了几张卡。我第一次在这里只看到两张卡，后来排查发现是扩展笼有一路电源接口接触不良，重新插拔之后才全部认到。所以不用担心，多卡认不全太正常了，后面会专门说排查方法。

4. 驱动与运行环境：让四张卡真正跑起来

4.1 驱动安装与内核匹配

系统认到卡只是第一步，要让计算卡真正能用，还得装对应的驱动。我这里以 NVIDIA 系的 T10 计算卡为例，如果你的卡是其他厂商的，流程类似，但务必去官网确认配套的驱动版本和内核要求，别直接照搬命令。

我用的系统是 Ubuntu 22.04，内核版本 5.15。驱动安装我试过两种方式，一种是包管理器自动装，一种是官方 runfile 手动装。对新手来说，先用包管理器比较稳妥。先执行ubuntu-drivers devices看系统推荐哪个版本，再执行：

sudo apt update sudo apt install ubuntu-drivers-common ubuntu-drivers devices

输出里会列出当前机器所有计算卡支持的驱动版本。选标注 recommended 的版本安装即可，比如：

sudo apt install nvidia-driver-535

装完重启，然后跑nvidia-smi。如果输出正常，说明驱动已经加载成功。如果你更青睐 runfile 安装，那要注意在安装前先禁用系统自带的 nouveau 驱动，否则会冲突。禁用方式：

echo "blacklist nouveau" | sudo tee /etc/modprobe.d/blacklist-nouveau.conf sudo update-initramfs -u

然后重启，再进入纯命令行模式安装 runfile。整个安装过程要留意日志里有没有编译错误，runfile 会现场编译内核模块，如果你的系统没有装内核头文件，会直接失败。提前执行：

sudo apt install linux-headers-$(uname -r)

这一条建议不管用哪种安装方式都先装上，后面能省不少事。

4.2 多卡识别与状态验证

驱动装好后，nvidia-smi是最直接的验证工具。正常情况你应该看到四张卡全部列在输出列表里，每张卡的温度、功耗、显存占用都会显示。如果只显示两张或者三张，先别急着重装系统，优先怀疑供电、接触和 BIOS 设置。

我还习惯用nvidia-smi -L快速查看所有卡的 UUID 和型号，这个在容器里指定设备时很有用。多卡机器上还要学会看 PCIe 链路状态：

nvidia-smi --query-gpu=index,pcie_link_gen_current,pcie_link_width_current --format=csv

如果看到当前链路宽度不是 x4，甚至变成 x1 或者 x2，说明接触或者线材质量有问题。这种情况通常在高负载时会掉卡或者出现 Xid 错误。我的四张卡在稳定后都显示 x4 链路宽度，速度是 Gen3。

日常监控我建议开一个终端跑watch -n 1 nvidia-smi，观察每张卡的利用率、温度、功耗。如果是长时间满载任务，还可以看显存温度和风扇转速。T10 涡轮卡在高负载下风扇转速会明显升高，不要被噪声吓到，这是正常现象。

4.3 容器、环境变量与并行框架的接入

驱动装好后，接下来就是让应用真正用到四张卡。如果你是直接在宿主机上跑，最简单的方式是用环境变量控制对哪些卡可见：

export CUDA_VISIBLE_DEVICES=0,1,2,3

这样跑 TensorFlow、PyTorch 的时候，默认就会只看到这四张卡，程序内部可以用torch.cuda.device_count()来确认。

如果你更喜欢容器化部署，那需要装 NVIDIA Container Toolkit：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt-get update sudo apt-get install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker

然后运行容器时加上--gpus all：

docker run --rm --gpus all --shm-size=8g nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi

这里有个小坑：容器默认共享内存只有 64MB，多卡并行任务里经常不够用，所以我在上面加了--shm-size=8g。如果你的任务大量用 DataLoader 多进程读取数据，这个参数会直接影响稳定性。

如果是多卡数据并行训练，PyTorch 上可以用torchrun直接拉起多进程：

torchrun --nproc_per_node=4 train.py

它会自动把四个进程分配到四张卡上，每张卡一个进程。在 NUC 这种共享带宽的架构下，数据并行能跑但不要指望线性加速，这点放到下一节细说，重点在于先确认环境能稳定调用四卡。

5. 性能实测与并发调优：四卡不是简单的四倍

5.1 实测数据：功耗、温度与带宽折损

整套系统稳定跑起来后，我做了一轮负载测试。测试场景是四路视频流推理服务，每张卡各跑一个模型实例，输入是 1080p 视频流，模型是轻量级目标检测网络。这里不是跑理论峰值，只是想看看真实使用里 NUC 多卡方案的表现在什么水平。

先看功耗。四张 T10 满载时，nvidia-smi显示单卡功耗在 62W 到 70W 之间浮动，四卡合计大约 265W，再加上扩展笼的两个 12cm 风扇和 NUC 本身，整机从墙插测得的功耗在 330W 左右。我用的额定 500W 电源，负载在 70% 以下，稳定性没有问题。如果后续要升级成功耗更高的卡，电源余量就得按至少 1.5 倍算。

再看温度。涡轮卡满载运行半小时后，核心温度稳定在 78°C 到 83°C 之间，显存温度稍高一点，但还在合理范围。扩展笼背板风扇转速在 1800 转左右，噪声可以接受，放在办公室不会有太大存在感。值得注意的是四张卡并排时，卡与卡之间的缝隙很小，涡轮卡排出的热风会被相邻卡的进风区吸走一部分，形成了局部热循环。我的解决办法是在扩展笼外侧再加一个 12cm 风扇，贴着卡尾部往外排热，这样温度大约降了 5°C。

带宽这块是 NUC 方案最容易让人焦虑的地方。我用nvidia-smi dmon观察并发时的 PCIe 读写吞吐，四卡同时高负载时，共享上行链路确实会被打满。单卡推理延迟从 12ms 涨到了 14ms，但整体吞吐因为并发四路，依然提升了约 3.6 倍。这说明在推理场景下，共享带宽造成的折损大约 10% 到 15%，完全在可接受范围内。如果换成通信密集型任务，比如神经网络训练时每一轮都要同步梯度，情况就完全不一样了，多卡之间会互相等待，整体吞吐可能连单卡的两倍都到不了。

5.2 多卡并发策略：怎么分配任务才合理

既然带宽有限，那怎么分配任务就很有讲究。我在实际使用中总结了一个原则：优先做“横向多路并发”，不要做“纵向多卡协同”。所谓横向并发，就是每张卡独立处理不同的数据流，比如四台摄像头的视频流分别交给四张卡，卡和卡之间基本没有通信，这种情况下共享带宽的影响最小。所谓纵向协同，就是把一个大的模型拆到多张卡上并行计算，这会频繁产生梯度同步和中间结果传输，在共享链路上很容易卡死瓶颈。

如果你的应用必须要做多卡协同，那尽量把通信频率降下来。比如在分布式训练里梯度累积步数调大一些，减少同步次数；或者用 PyTorch 的ZeroRedundancyOptimizer代替全量梯度同步，让通信量小不少。我这边实际跑过一个较小规模的微调任务，在四卡上做数据并行，开启梯度累积后训练吞吐大约是单卡的 2.8 倍，勉强能接受，但和真正的多卡服务器相比还是差不少。

调度的另一个思路是让 NUC 只做“总控”，把任务分发到计算卡上后就不再频繁干预。我这边用的是一个简单的多进程 Python 框架，主进程只负责读取任务队列和汇总结果，真正推理的进程各自绑定一张卡。代码逻辑上主要是通过CUDA_VISIBLE_DEVICES把每个子进程限制到单卡上，避免进程间争抢显存导致 OOM。

6. 常见问题与排查技巧实录

6.1 翻车现场：六类典型故障和处理思路

我在这套设备上遇到的问题不少，我把典型的六类故障和排查思路整理成速查表，希望能节省你折腾的时间。

除了上面这些，我还遇到过一种很隐蔽的情况：四张卡里有一张在系统启动时偶尔会消失，重启后又恢复。查了半天才发现是扩展笼背板上一颗固定卡的螺丝拧得太紧，导致卡尾端微微翘起，金手指和插槽之间形成了细微偏移。后来把螺丝松开一点，故障就消失了。多卡机器上“固定”和“压紧”之间一定要留一点余量，别以为螺丝越紧越好。

6.2 容易被忽略但影响很大的三条经验

第一，M.2 转接卡线缆的摆放位置会直接影响稳定性。我一开始把线缆贴着 NUC 内部散热器走，高负载时线缆被烤得很热，出现过周期性掉卡。后来把线缆改从外壳底部引出，避开散热区域，问题没有再复发。线缆尽量短，走线尽量远离发热源，这是真金白银换来的教训。

第二，供电线材别图便宜。四张卡满载的瞬时电流不低，细线在负载跳动时会产生明显的压降，导致某张卡供电不够而掉卡。我后来换了一批 18AWG 的定制线，压降小了很多。判断线材好坏很简单，满载时摸一摸线材外表，如果明显发烫，说明线阻太大，赶紧换线。

第三，一定要养成先看日志的习惯。很多问题并不是硬件坏了，而是系统层面报错被忽略。排查掉卡问题时，我习惯第一时间执行：

dmesg | grep -i nvidia journalctl -u nvidia-persistenced --since today

如果日志里出现 Xid 错误，比如 Xid 79 或者 Xid 56，那大多是 PCIe 链路问题或者供电问题，而不是卡本身坏了。这时候优先检查物理链路，而不是重装系统。我以前在服务器上也遇到过类似情况，折腾了半天的驱动，最后发现是 PCIe 插槽旁边积灰导致接触不良，清灰之后一切正常。

最后再分享一个小习惯：我每次开机后会先跑一条命令，把所有卡的状态存成日志文件，方便事后追查。命令很简单，但确实帮我定位了好几次“莫名其妙掉卡”的时间点。

nvidia-smi --query-gpu=index,temperature.gpu,utilization.gpu,pcie_link_gen_current,pcie_link_width_current --format=csv -l 10 > /var/log/t10-smi.log &

这套四张 T10 加 NUC 的组合，我没有把它当主力训练机用，更多时候是当边缘推理节点和实验台。它的甜点区间很明确：需要四卡并发、但对绝对带宽不敏感的任务。如果你也想折腾类似方案，先把上面的硬件和供电逻辑理清楚，后面的软件配置就都是水到渠成的事了。