Vibe coding时代，ai如何助力算法竞赛
转自“那就边旅游边kaggle吧”
今年应该是vibe coding的元年，笔者2026年以来在算法模型优化阶段，已经很少动手写算法代码了，比如今年腾讯算法比赛也基本上不写只看，那么很多小白就会误解为算法已“”死“，竞赛交给AI就行了，这个误区有必要纠正一下，这篇文章聊一聊用AI做算法竞赛的正确方式。
这里不涉及kaggle最近比较火热的agent比赛，个人对这种比赛的兴趣不大，也没有去关注，我们只聊传统的AI算法竞赛（非agent类）。
我猜想大多数新手使用AI来打AI算法竞赛常用的prompt就是“帮我优化一下模型结构”、“帮我提取一下有用的特征”、“帮我看看怎么提升0.1”；诸如此类“token套白狼”的操作就不一一列举，从我的经验来看，用这类prompt，可能有机会拿一个铜牌、银牌玩玩，想拿金牌或者进前三还是挺难的（除非你有天梯top10选手的所有skill，但你怎么能拿到？）。
废话不多少，从几个角度分享一下vibe coding如何助力AI算法竞赛。
传统的AI算法竞赛其实大多数都可以抽象为EDA、特征工程、模型设计和迭代部分，所以就从这几个地方聊一聊。
EDA:
很多新手拿到数据后，第一件事就是把 CSV 丢给 AI，说“帮我分析一下”。 AI 会噼里啪啦输出一堆均值、中位数、缺失值比例，有用但是没大用。 这谁不会？ 个人认为正确姿势是让 AI 做深度模式挖掘，针对任务做深度分析，比如输入数据字典和业务背景，要求 AI 提出 10 个“反直觉”的探索方向。 例如：“在用户行为序列中，是否存在‘静默期长度’与目标标签的非线性关系？请给出可视化代码和检验统计量。 这块主要是让AI验证你的解题，从而快速写出代码帮你验证你的假设是否成立。 比如这个prompt:
“帮我看看数据中的xx和我们要预测的任务的可能的关系,是否存在异常特殊情况, 结合现在的baseline来看”，可能就会好很多。 总之就是你负责问“为什么”，AI 负责算“是什么”。 EDA 的本质是建立对数据的直觉，这个直觉必须由你主导，AI 只是加速你的验证循环。
特征工程:
直接问“帮我提取有用的特征”无疑是最蠢的行为，这不仅是懒，更是对特征工程本质的误解——特征工程从来不是“提取”，而是“构造”与“筛选”的博弈。 用这种 prompt 换来的，无非是一堆均值、方差、分位数的机械堆砌，不仅拿不到金牌，反而会污染你的模型，让你死得不明不白。
当然，首先我们需要把任务定义和数据字典都告诉大模型，但这只是前置条件。 特征工程在 vibe coding 时代真正的正确姿势，是“框架抽象”与“算子生成”，最好不要让他自由发挥特征，而是要用你聪明的脑子给他限定可能提升的范围，也就是说ai不是从0到1给你得到从0.5到0.9的特征构造器，而是在你判断能大概率有20%的方向后，让ai用5分钟帮你完成这个事情，从而期望能提升到22%的收益。 比如，“我认为用户序列的长度和时间统计可能很重要，我们讨论一下有哪些特征可以提取，注意看一下特征分布，排出一些无用的噪音”。
模型设计:
这块就更搞笑了，“帮我优化模型结构”这种 prompt 得到的结果往往是教科书级别的通用架构（比如加几层 Dropout、调一下学习率），对竞赛提升微乎其微，或者直接让AI自由发挥，引入一堆复杂的模型算子，最后出来一个四不像，然后你还看不懂代码，其实我不建议让AI帮你去优化模型结构，由于这个社会上学术垃圾太多，我更建议：
AI 帮你“拆解论文代码”
如果你看中了某篇顶会模型，但没时间复现，可以喂给 AI 核心伪代码，让它适配到你的数据管道，并注释出所有可调超参数及其对梯度流的影响。 这比直接问“怎么提升”有效得多。
用 AI 设计“自适应损失函数”
针对不平衡、排序、或自定义评价指标（如 Quadratic Weighted Kappa），让 AI 推导出可微近似公式，并给出实现及数值稳定性处理。
对我来讲，我的项目有一个papers目录，每当我觉得一个paper可能有用可能才会跟他讨论一番，而不是让他去找或者让他去想，毕竟他其实只是“它”。
此外，多agent协助我觉得也很重要，不要相信一个agent，你可以多开窗口，当A实现一个改动的时候需要用B进行验证，这样是非常保险的，毕竟在竞赛中，取胜的往往是一个一个的细节。
好像说了很多，好像也什么都没说，不过懂的都懂。
最近有个体会，算法岗其实还是很重要的，毕竟AI在竞赛这块离我们还差的很远~