当前位置:首页>java>许愿式编程:AI 能帮你把代码优化到什么程度?

许愿式编程:AI 能帮你把代码优化到什么程度?

  • 2026-10-21 13:27:05
许愿式编程:AI 能帮你把代码优化到什么程度?

当你和研发人员确定产品的技术指标时,你必须得商量着来,因为你俩都认为这是个挖技术潜力的事儿,其实他挖的是经验的潜力,而你挖的则是他的潜力。

当你和 AI 确定产品的技术指标时,跟 AI 商量就是对 AI 实力的不尊重,你得许愿~~

在用 AI 完成这个产品(一直以为 AI 不能做稍微复杂些的程序,直到完成了这个...)的过程中,我一直在许愿,比如100万记录的处理需要几分钟实在太慢了能不能几秒钟搞定?然后成果是不到1秒,加上预处理才1秒多。再比如用地图打点做验证,浏览器加载完数据就失去响应好久才缓过来,能不能用GPU加个速?然后成果是秒开。

今天又许了个愿,听说很多同类产品的定位精度都能超过理论极限,你得努力呀,把定位精度提高提高,几分钟后就收获了多个提高定位精度的参数。

当只有一个邻区时,定位精度取决于几个公式,其中最重要的是传播模型,但是这些都不是可调参数,该用什么模型就得用什么模型,包括一些特殊的模型比如“城市峡谷”之类。

在下图中,大部分定位结果都有两个邻区(紫色连线标出和定位结果的关系),中心的点是服务小区(绿色连线标出关系)。

在下图中,大部分定位结果都有三个或更多邻区。

当有两个或更多邻区时,定位算法会得到多个候选位置,这时候就需要做选择题了,比如为每个候选位置计算它的最小残差(它到各邻区距离和各邻区半径的差的绝对值之和,从中取最小的候选),比如为所有候选位置计算其加权质心(权重可以使用最小残差的倒数),AI 建议采用后者作为缺省值。

基于这两个选点聚合方案,对同一个基站扇区下具有3+个邻区的定位点做比较,可以看到多数定位点向服务小区略有靠拢,少数定位点略有远离。

再比如加权质心的权重改用归一化 RSRP,重新计算其加权质心后得到第三个打点图,与前两个拼在一起作比较得到下图。可以看到多数定位点进一步向服务小区靠拢,刚才发生远离的点在采用新权重后更远了。
其它选点/聚合方法还有最小二乘等方案,缺省值效果不佳,等有空时再继续调整参数做评估吧。
评估后采用了 AI 建议的缺省值:加权质心(权重采用最小残差)。
本轮定位精度的优化结束,采用新版本重跑数据,1秒后得到结果,浏览器载入得到以下几张图。
首先是定位结果的原始打点图
切换为热力图看下打点的分布情况
改为 RSRP 指标看下覆盖质量,当然首选是蜂窝网格
再改为马赛克网格,格子尺寸小的时候效果差不多
采用加权质心的数学方法优化定位精度后,定位结果整体呈现出向服务小区靠拢的趋势,这个细微的变化可以在指标渲染图中观察到,下图时旧版本的渲染图。
这一个月把三个大模型都薅秃了,Genimi / Claude / GPT-5 轮番上阵,可是它们都限区,只有靠 Kiro/Trae 和中转站才能继续用。
下图中有四个 AI code cli:左上是 CC 使用 megallm 中转的 Claude,右下是 CC 使用 megallm 中转的 GPT-5

最新文章

随机文章