以前没有 AI 的时候，我最烦的就是跑对比方法。 不同方法的 GitHub 仓库环境不一样、代码结构不一样。想复现一下，或者拿来在自己的数据集上跑，经常要花很久才能找到修改入口。 尤其是有会议 ddl 或返修 ddl 的时候， 那时候最想要的不是 AI 替你写一堆代码， 而是它能先帮你迅速搞清楚： 这个仓库到底怎么跑？ 运行逻辑是什么？ 我要改哪个脚本，才能实现自己想要的功能？ 于是在去年年底冲刺CVPR的时候，我就尝试了一套AI辅助科研工作流。 我在VSCode里接入Codex插件。 打开一个对比方法的GitHub仓库后，没有直接让codex开始改代码，而是先让它读整个代码仓库，理清项目结构： “请仔细阅读这个 repository，告诉我： • 它支持什么格式的数据集 • model / dataset 分别定义在哪些脚本中 • train / test 入口脚本分别是哪个 • 学习率、训练轮数、optimizer 在哪里修改 请给我一个简洁的 repository 结构分析，让我快速知道它怎么用。” 在它理清项目结构后，我再让它按任务一步步来： 比如，你要要把这个方法在自己的数据集上跑，你就跟它说： “我要把这个方法训练在我们的数据集上。数据集路径是 xxx，格式是 xxx。请帮我： • 新增或修改 dataset script • 修改对应 config • 保持原 train / test pipeline 兼容 • 每个新增脚本开头写清楚注释 • 最后总结新增/修改了哪些文件，以及训练和测试命令。” 实测下来，去年年底冲刺 CVPR 时，我用这套 workflow，一个下午把 5 个 state-of-the-art baseline 的代码结构、数据接入和训练入口基本理清，并在我们的数据集上顺利开跑。 这省下来的时间，刚好继续拿去压榨 Codex 打磨论文文字。 #科研日常 #科研工作流 #人类高质量科研工具 #AI工作流 #Codex #PhD #深度学习 #计算机视觉 #遥感 #CVPR