用途
guitar-dsp 用于以吉他为中心的 DSP 工作，涵盖音色、实时安全、C++/JUCE DSP 建模、神经网络模型采集与训练、RTNeural 运行时集成以及宿主验证。它与其他技能互补：需要 JUCE API 用法、AudioProcessor/APVTS 结构、CMake/插件格式、UI、资源、签名、验证或宿主生命周期时，同时加载 juce-plugin；需要底层滤波器/效果实现时，同时加载 dsp；需要频谱分析、测量、混叠实验、FFT 工作流或原型推理时，同时加载 dsp-engineer；需要构建、验证或冻结 SPICE/ngspice 或 KiCad 电路参考时，同时加载 spice-circuit-modeling；需要把电路参考转化为实时模型时，同时加载 circuit-to-dsp。
主要能力
技能按任务分类处理：
- 常规 DSP：踏板、音色栈、EQ、箱体、延迟、混响、调音器、节拍器、循环器。
- 非线性 DSP：波形整形、削波、二极管/法兹电路、类电子管级、混叠、DC、谐波测量、过采样。
- 音色与箱体建模：音色栈、presence/depth、箱体 IR、扬声器动态、箱体压缩。
- C++/JUCE DSP 建模：块类形态、参数快照、平滑、电路到 DSP 转换、测试、测量夹具。
- 电路参考验证：原理图解读、已验证的 SPICE/参考电路、等效级/控制/电平测量、失配隔离、回归测试。
- 神经建模：采集、对齐、训练预设选择、导出包验证。
- 运行时集成：RTNeural 模型加载、推理、采样率策略、模型元数据、状态恢复。
- 产品验证：测试、测量夹具、插件验证、DAW 冒烟测试、发布门禁。
- 性能：宿主中 CPU 占用过高、基准测试与性能分析、在不改变音色的前提下降低已接受模型的成本。
技能提供参考文件映射，按需读取：task-playbooks.md（常见任务分步工作流）、failure-diagnosis.md（可听或宿主故障调试）、guitar-signal-chain.md（音箱/效果顺序、单声道/立体声路由、增益分级、箱体 IR、踏板/音色栈行为）、cpp-juce-dsp-modeling.md（C++/JUCE DSP 块实现或审查）、nonlinear-waveshaping.md（无记忆/动态波形整形器、传递曲线、不对称、输出补偿、谐波增长测试）、aliasing-oversampling.md（混叠诊断、局部过采样岛、ADAA、谐波/非谐波能量测量）、tone-stack-modeling.md（音箱音色栈、踏板音色控制、无源负载网络、有源 EQ 宏、presence/depth 控制）、diode-and-fuzz-circuits.md（二极管削波器、反馈削波、运放二极管求解器、法兹电路）、triode-and-tube-stage-approximation.md（电子管前级/功率级近似、类三极管曲线、栅极/阴极/耦合记忆、sag）、speaker-cabinet-dynamics.md（扬声器压缩、共振、偏移、破裂、动态 EQ、阻抗式行为）、neural-modeling-workflow.md（干/目标采集准备、WaveNet 系列训练预设、延迟对齐、RTNeural 包导出）、neural-modeling-math.md（因果 TCN 音箱建模数学：感受野、延迟对齐、ESR/RMSE/相关性、检查点评分、预加重/STFT 损失、ASR、RTF、架构权衡）、rtneural-runtime.md（加载嵌入式或用户选择的 RTNeural JSON、动态与静态模型、立体声状态、元数据警告、采样率不匹配、插件延迟语义）、runtime-code-patterns.md（参数快照、模型/IR 交接、每通道模型状态、平滑、延迟/尾音更新）、validation-and-release.md（测试计划、测量夹具、原生验证器运行、混叠报告、DAW 冒烟测试、pluginval/auval 门禁、发布清单）、example-prompts.md（测试或演示技能预期用例的真实提示）。
辅助脚本包括：model_package_summary.py（检查 RTNeural JSON 或包文件夹的层、Conv1D 感受野、元数据、验证/混叠/基准测试附属文件及警告）、receptive_field.py（从 RTNeural/Keras 风格 JSON 计算因果 Conv1D 感受野和回看样本）、compare_audio_metrics.py（比较两个 WAV 渲染的对齐滞后、极性、RMSE、ESR、相关性、峰值误差、DC 偏移）、alias_probe_report.py（从非线性级的相干正弦 WAV 渲染估计谐波和非谐波能量）。
使用方式
工作流为：先分类任务，然后只读取该任务所需的参考文件。保持音频回调硬实时：不得进行文件 I/O、JSON 解析、模型构建、IR 加载、内存分配、锁、UI 调用、日志或可能触及音频线程读取数据的对象销毁。在打磨 UI 前，用可测量检查验证音色与行为：旁通一致性、输出有限性、重置确定性、自动化安全、延迟、尾音报告、CPU 余量、混叠、DAW 状态恢复。
默认决策包括：神经模型优先使用 48 kHz 单声道 WAV 采集，除非项目有实测理由不同；保留采集/输出电平意图，不要独立归一化每个目标，除非修复已记录的录音错误；除非有意研究不支持的行为，否则 v1 神经音箱/踏板采集不包含基于时间的效应；单声道神经音箱核心显式处理：在单声道核心前将立体声输入平均折叠为单声道，在音箱/音色处理后扇出，使箱体和后置 FX 保持立体声；立体声神经包播放时每通道使用一个 RTNeural 模型实例，循环和因果 Conv1D 模型携带状态，不应跨通道共享一个模型对象；在 processBlock() 外解析 RTNeural JSON 和加载 IR，用原子操作或其他实时安全交接向音频线程发布不可变模型/IR 状态；不要静默以错误采样率运行模型，应警告、要求匹配导出或添加明确测量的重采样/过采样路径；不要混淆导出对齐延迟、WaveNet 感受野和插件处理延迟；优先使用动态 RTNeural JSON 以兼容性和正确性证明，仅在基准数据显示动态 JSON 是瓶颈后才考虑静态/生成模型。
生产级吉他建模器的已验证基线链为：输入修剪/输入缓冲 -> 门限 -> 压缩器 -> 驱动/法兹/激励踏板 -> 神经音箱模型 -> 音箱音色栈/后置音箱 EQ -> 箱体 IR 或箱体滤波路径 -> 调制 -> 延迟 -> 混响 -> 后置染色/全局主控 -> 调音器静音/节拍器/工具输出。需有意调整顺序并在测试中编码该选择。对于音箱头采集，箱体 IR 保持可选且位于神经之后；对于音箱加箱体采集，避免应用第二个箱体，除非用户想要那种声音。
适用场景
适用于吉他 DSP 开发全流程：设计、实现、调试、训练和验证吉他音箱/效果器 DSP 系统，尤其是实时 C++/JUCE 插件、C++ DSP 块建模、吉他特定信号链、非线性波形整形、音色栈建模、二极管与法兹电路、电子管级近似、扬声器箱体动态、神经模型采集与训练、RTNeural 运行时集成、插件验证与性能优化。
限制
技能要求音频回调硬实时，禁止文件 I/O、JSON 解析、模型构建、IR 加载、内存分配、锁、UI 调用、日志或可能触及音频线程读取数据的对象销毁。完成吉他 DSP 工作前需满足验证最低要求：对每个更改的 DSP 块和处理器级路由路径运行单元测试；包含旁通、输出有限性、重置确定性、通道路由和自动化压力检查；在小缓冲区和目标采样率下对 Release 构建进行基准测试，数字静音和相同通道立体声作为独立用例；对于性能更改，对前一构建进行空测试并重新运行所有现有门禁；涉及神经模型时，用 Python 一致性、原生 RTNeural 一致性、运行时基准和混叠报告验证导出的 RTNeural 模型；对插件运行宿主验证：macOS 上构建 AU 时进行 AU 验证，可用时对 AU/VST3 运行 pluginval，并至少进行一次 DAW 会话保存/重新打开冒烟测试。