Raise Lab · 2026
AI Coding for Research
从工具到工作流
如何让 AI 真正帮到研究者
缪东旭 MiaoDX
天津大学（硕士）→ 小米自动驾驶 → 小米机器人
AI Coding 实践者 · 公众号：直觉机器漫谈
Part 0 · 开场
今天不是来安利工具的
是来聊一个问题：
AI 写代码这事儿，到底能帮研究者做到什么程度？
我的背景：7 年自动驾驶 + 机器人 → AI Coding 重度用户
也是天大人 🤝
01
Part 1
AI 编程的三个阶段
从补全到自主执行，角色在变
Part 1 · 三阶段
工作方式的阶跃变化
Stage 01 · 代码补全
你打字，它猜下一行。被动响应。
Stage 02 · 对话式编程
你问，它答。你仍是执行者。
Stage 03 · Agentic Coding
你定义问题，它规划 + 执行 + 验证。
Part 1 · 核心转变
人的角色变了
The code itself is not being written by humans anymore.
02
Part 2
从零到机器人抓取
一个完整项目的真实故事
Part 2 · 目标
目标：宇树 G1 抓取可乐
假设我们打开 Claude Code，输入：
"帮我实现一个用宇树 G1 左手抓瓶子的功能"
结论：不太行
它无法一次性解决：IK 解算器选型、碰撞检测、坐标系转换、仿真环境选择…
Part 2 · 系统设计
先画架构，再动手
跟 AI 讨论出来的系统设计（讲不明白就画图给它看）
感知层
RealSense D435
FoundationPose 6DoF
Pose Bridge
↓
规划层
IK 解算 (Pink→cuRobo)
碰撞检测 S3
轨迹生成
↓
执行层
WBC 全身控制 50Hz
状态机
Unitree G1
Part 2 · SDD 工作流
SDD：先写 Spec，再写代码
Spec 不是一次写完，而是随项目演进
M1 · 流程跑通
基础验证
Pink IK · 单臂控制 · MuJoCo 仿真
12月底 — 1月中
M2 · 核心能力
GPU 加速
cuRobo GPU · 腰部协调 · 碰撞检测
1月底 — 2月初
M3 · 性能优化
架构统一
批量 IK 10x · MotionGen · 重构
2月底 — 3月初
Part 2 · 交叉审查
Codex Cross-Review
让另一个模型审你的 plan，类似学术 peer review
让不同的 AI 模型相互审查，就像让不同的 reviewer 审同一篇论文。Plan 质量越高，最终效果越好。
Part 2 · 结果
量化结果
| 维度 | 传统方式 | AI 辅助（SDD） |
|---|
| 人员 | 2-3 人 | 1 人 + Claude |
| 时间 | ~2 个月 | ~2.5 个月 |
| 人月 | 4-6 人月 | ~1 人月 |
Part 2 · Takeaway
三条经验
01
先做设计，再写代码
Spec 先行。不是让 AI 随便写，而是先把问题定义清楚。
02
自动化验证是放大器
323 个测试不是手写的，是跟 AI 一起迭代出来的。有了测试，AI 才能自己跑、自己改。
03
选对工具
调研用 Deep Research，规划用 Claude，Review 用 Codex。不同阶段用不同模型。
Part 2 · 反思
我之前没碰过机械臂，现在一个人完成了完整的抓取系统。
AI 不是替代我们，是让我们能做以前做不了的事。
03
Part 3
AI Coding ×
学术研究
这跟大家有什么关系？
Part 3 · 痛点
这些大家中了几条？
😤
Deadline 前赶 ablation，实验脚本 copy-paste
📊
Papers with Code 没 benchmark，丢引用
Part 3 · 切入点
四个 AI Coding 切入点
⚙️
实验管理自动化
配置生成器、自动记录超参、生成对比表格
📝
代码重构与文档
AI 重构 hacky code，自动生成 README
🔬
Ablation 加速
定义矩阵 → agent 自动提交、收集结果
🌐
影响力基建
README、project page、网站 = 引用乘数
你的论文 Method Section 就是你代码的 Spec。先写清楚你要实现什么，再让 AI 帮你实现。
04
Part 4
Live Demo
用大家自己的项目来演示
Demo 1 · OVT-B
让 NeurIPS Benchmark 的 GitHub 变好用
github.com/Coo1Sea/OVT-B-Dataset
✗
Papers with Code 无 benchmark
✗
无可视化 — 1,048 类，README 没一张图
Demo 1 · 为什么重要
一个 NeurIPS 数据集论文，在 PwC 上没有跑通的 baseline。
这直接损失引用。
接下来用 Claude Code：① 理解项目 → ② 重写 README → ③ 生成评测脚本
Demo 1 · Claude Code 实操
🖥️ 现场演示
git clone https://github.com/Coo1Sea/OVT-B-Dataset.git && cd OVT-B-Dataset
请阅读当前项目的所有文件，理解这是一个 NeurIPS 2024
发表的开放词汇多目标跟踪 benchmark（OVT-B）。
论文地址：https://arxiv.org/abs/2410.17534
然后帮我重写 README.md，要求：
1. 开头放项目 banner（markdown），包含论文标题、会议、作者
2. 简洁的项目介绍（What is OVT-B，为什么需要它，跟 OV-TAO-val 的对比数字）
3. 数据集统计摘要：1048 类别、1973 视频、637608 标注
4. Quick Start：从下载到跑通评测的完整步骤（不要让用户自己找 TETA 代码）
5. 目录结构说明
6. 引用格式更新为 NeurIPS 2024 正式版
7. License 和 Acknowledgments
参考优秀 benchmark 项目 README（MOTChallenge、TAO 等）。
请为 OVT-B 数据集写一个 evaluate.py 脚本，功能是：
1. 接收模型预测结果文件路径和标注文件路径作为参数
2. 计算 TETA 指标（参考 TETA 官方实现）
3. 输出各项指标的汇总表格
4. 包含完整的 argparse 和 usage 说明
目的：让新用户一行命令就能跑通评测。
Demo 2 · 实验室网站
10 分钟给实验室做一个网站
ruizehan.cn 当前状态
✗
Experience 未更新 — 还写 Ph.D. Student
网站是实验室的门面。招生、合作、审稿人了解你——第一印象全靠它。
Demo 2 · Claude Code 实操
🖥️ 现场演示
请先阅读以下两个网页获取最新信息：
https://csce.suat-sz.edu.cn/info/1011/1318.htm
https://www.ruizehan.cn/
然后生成一个现代化的学术实验室主页 HTML（单页，可部署 GitHub Pages）
实验室：Raise Lab (Research on AI SEeing Laboratory)
PI：韩瑞泽，深圳理工大学 计算机科学与控制工程学院 助理教授
研究方向：
1. 开放场景感知（Open-Vocabulary Tracking）
2. 多视角协同感知（Multi-View Collaborative Perception）
3. 行人重识别与步态识别（Person Re-ID & Gait Recognition）
代表论文（按方向分组）：
【开放词汇跟踪】
COVTrack (ICCV 2025) [Code: github.com/zekunqian/COVTrack]
VOVTrack (ICCV 2025) [Code: github.com/zekunqian/VOVTrack]
OVT-B (NeurIPS 2024) [Code: github.com/Coo1Sea/OVT-B-Dataset]
【多视角感知】
BEVSee (CVPR 2024) [Code: github.com/zekunqian/BEVSee]
Self-supervised MvMHAT (TPAMI 2025) [Code: github.com/RuizeHan/MvMHAT]
Complementary-View Benchmark (IJCV 2024)
【行人重识别】
Clothes-Changing Re-ID (TIFS 2025), Syn-to-Real Re-ID (TIFS 2025)
团队：
钱泽坤 (github.com/zekunqian) · 梁海吉 (github.com/Coo1Sea)
甘一旸 (github.com/realgump)
要求：现代简洁 · hero section · 研究方向卡片式
论文按方向分组附 [Paper][Code] 按钮 · 团队成员卡片
响应式 · 配色参考深圳理工大学官方色系
这是今天送给 Raise Lab 的一个小礼物 🎁
Part 5 · 三句话
记住这三件事就够了
01
AI Coding 不是让你不思考，而是让你把时间花在真正需要思考的地方
02
先写 Spec 再写代码 — 你的 Method Section 就是 Spec
03
学术影响力不只是论文本身 — README、网站都是引用的乘数效应
大家日常研究中，
最想让 AI 帮你自动化的是哪一步？
Thank you 🤝