原文内容

陈文杰（cwj）

工程科学学院 22 级 5 系本科生

AI 辅助编程经历

基于 2026-05-14 至 2026-05-18 在 Claude Code CLI 上 7 个独立会话的实际操作记录整理。背景任务是用 Python 读取高焓喷管 CFD 计算结果文件 flow.plt（Tecplot ASCII BLOCK，325 MB，多区块、混合 node/cell 存储），绘制论文级 Tt / Tv / u / Ma 云图，并做核心流、边界层等定量分析。

项目周期约 5 天，最终交付 3 个 Python 脚本（reader + v1 plotter + v2 plotter）、2 个输出目录（共 21 张 PNG）、1 套配套记忆文件。

几条让 agent 高效配合的习惯

1. 首条 prompt 写"完整规格"，不挤牙膏

首条 prompt 一次性写清楚四类约束：

• 功能要求（读 plt + 画 Tt/Tv 云图）
• 工程约束（“脚本最好使用结构化的模块，方便后续添加新功能”）
• 物理交付要求（“需要告知我画云图时每个点的数据是怎么处理的，是单元中心数据差值还是其他方式”）
• 美学要求（“选取合适的颜色棒，符合标准美观的论文要求”）

这种"一次写满"比挤牙膏式提问效率高很多，agent 一次就能搭出合理骨架。

2. 视觉驱动的迭代修正

拿到第一张图后，所有后续指令都基于对图像的直接观察：

• “在中间 90 度凸角（坐标 x=0，y 等于正负 112 mm）的位置……出现了不应该存在的三角形”
• “画出来的等值线是断开的，这是不符合物理的”
• “Tt、Tv 云图我放大看，发现非常的马赛克化”
• “壁面的等值线标签都挤在一起”

每条反馈都带坐标 / 物理判据 / 视觉描述，agent 不需要猜你在指哪——这是高效迭代的关键。

3. 主动管理版本边界

当需要做较大功能扩展时，明确指示分版本：

“将原来的脚本复制一份后，在复制的脚本上修改，并将输出结果输出到一个新的文件夹中”

由此产生 v1 (plot_tt_tv.py + output_tt_tv/) 与 v2 (plot_tt_tv_v2.py + output_tt_tv_v2/) 的清晰分支，避免了"改坏了改回不来"的常见痛点。

4. 自行纠错 prompt

出现过两次主动撤回：“刚才的指令输入有误，y 的绘制范围应该是从 -112 mm 到 -92 mm” / “请继续执行我上面的指令”——不掩饰自己输错，而是直接更正，比让 agent 去猜你"真正想要的"更安全。

5. 用领域知识把"美学问题"翻译成可执行规则

不直接说"颜色棒不好看"，而是给具体替代：“tecplot 这个软件中有一个 small rainbow 的颜色棒，如果你知道它的颜色组成，我希望你能参考这种颜色棒”。定义核心流时也是物理化的：“以原点 Tt 为基准，偏差 ≤5% 的区域”——agent 拿到这就是可写代码的判据。

6. 用模块化语言驱动增量开发

反复使用"再添加一个模块"“再补一个 Ma 的云图”——隐含的契约是：不破坏已有功能，只增量加新功能。这种说法直接对应 agent 该走的代码组织路径（新函数 / 新参数），比"改一下"更明确。

遇到的挑战和应对

挑战 1：大文件读取超时 / 进度不透明

flow.plt 325 MB，首次会话里 agent 卡了 30 秒没动静，连续追问"是否读取成功？““请不断尝试直到成功读取”。后来意识到这是 IO 时长问题，不是 agent 卡死。经验：超大输入要求 agent 先做"小规模试读 / 报告进度”。

挑战 2：跨会话记忆缺失

05-15 那天连开多个会话，反复问"刚才的聊天记录你还有记忆吗"——发现默认 agent 无跨会话记忆，最终主动开启 auto-memory。经验：长周期项目第一时间确认记忆机制；不依赖 agent “自然记得”。

挑战 3：模型 / API 切换

早期单独花一个会话排查"现在在调用哪个模型"“LLM BASE URL 是什么”，并尝试用 ccswitch 配置 deepseek。经验：先把环境（哪个模型、哪个 API）搞清楚再投入正式任务，避免在不可知环境下迭代。

挑战 4：技术细节用户难以直接判断

例如"区块边界等值线断开"，agent 实际改了三个底层东西（per-zone 画图、节点网格、跨 zone 全局节点聚合），我没有逐项理解，而是通过最终图像是否解决视觉缺陷来验收。经验：复杂改动可以放权给 agent，只需用最终结果作为验收标准；但要保留一份说明性记忆（事后整理的 project_flow_plt_pipeline.md 那种）。

做对的关键动作

1. 首条 prompt 写完整规格 → 节省 3-5 轮试错
2. 每次反馈带具体坐标 / 物理判据 → 避免 agent 误判
3. 版本分支用 v1/v2 隔离 → 保留 fallback
4. 要求 agent 输出"数据处理方式"等解释性文字 → 留下可审计的物理推理链
5. 开启持久记忆 → 跨会话不重新解释项目背景
6. 后期主动让 agent 做自我总结 → 形成可查阅的工作档案

值得改进的方向

1. 早期没设定 progress check 习惯：长任务可以约定 agent 每 N 秒输出一次"我在做什么"，减少误判卡死
2. 没有先建立"项目入口文档"：若一开始就让 agent 写一个 CLAUDE.md 或 README，后续每个会话冷启动成本会更低
3. 缺乏自动化验证：所有验收靠肉眼比图；可以让 agent 顺手写"区块边界连续性检查"等数值诊断，自动报告问题
4. 物理结论分析推迟到最后：图都画完了才系统地做"能得出什么结论 / 还要分析什么"。如果穿插着做，可以更早发现"应当增加 Tv-Tt 差值图"这类需求

项目列表

项目详情

高焓喷管 CFD 后处理

利用 Claude Code CLI 辅助完成高焓喷管 CFD 计算结果的可视化与定量分析全流程。

背景

CFD 计算输出文件 flow.plt 采用 Tecplot ASCII BLOCK 格式，体量 325 MB，包含多个区块、混合 node/cell 数据存储。目标是绘制论文级别的总温 Tt、振动温度 Tv、速度 u、马赫数 Ma 云图，并对核心流、边界层等区域做定量分析。

AI 辅助过程

1. 结构化读取器：让 agent 搭建模块化 Tecplot reader，分别处理不同区块和数据存储类型，并要求其在代码中明确每个数据点是"单元中心插值"还是其他处理方式。
2. 首版绘图脚本：基于 reader 输出绘制 Tt / Tv 云图，色阶参考 Tecplot 的 small rainbow 调色板。
3. 视觉缺陷迭代：根据放大后的图像反馈（区块边界断开、马赛克化、等值线标签重叠等），由 agent 自主调整 per-zone 绘图、节点网格构造、跨 zone 全局节点聚合等底层实现。
4. 版本隔离：v1 完成后将脚本复制为 v2，新增 u / Ma 云图、核心流（Tt 偏差 ≤5% 区域）识别等模块，输出独立目录。
5. 工作档案沉淀：项目尾段让 agent 主动总结，产出 project_flow_plt_pipeline.md 留作后续会话的冷启动上下文。

交付

• 3 个 Python 脚本：read_plt.py、plot_tt_tv.py、plot_tt_tv_v2.py
• 2 个输出目录共 21 张论文级 PNG 云图
• 1 套配套记忆文件，供跨会话沿用项目上下文

Claude 桌面版安装与进程排查

借助 Claude Code CLI 排查 Windows 上 Claude 桌面版的启动方式异常，定位真实安装路径并修复使用流程。

背景

桌面上只有一个 Claude Setup.exe，每次退出 Claude 桌面后只能双击它重新进入，而且要等一段加载时间。直觉上不正常——Squirrel 类安装器应当在首次安装后留下一个真正的 claude.exe 主程序，反复执行 Setup 意味着安装未落地或快捷方式缺失。

AI 辅助过程

1. 路径定位：让 agent 在 %LocalAppData%\AnthropicClaude\、Program Files、AppData\Roaming 等典型 Electron 安装位置搜索 claude.exe，结果一个都没找到——Squirrel 安装痕迹完全缺失。
2. 进程取证：通过 Get-CimInstance Win32_Process 拉出所有 claude* 进程的完整路径和命令行，发现真正运行的桌面版是从 Microsoft Store（MSIX 打包） 安装的，路径在 C:\Program Files\WindowsApps\Claude_1.7196.1.0_x64__pzs8sxrjxfjjc\app\Claude.exe——也就是说桌面上那个 Setup.exe 是一个独立的、和已装版本毫不相干的安装包，每次双击都在重新跑安装流程。
3. AppUserModelID 提取：用 Get-StartApps 拿到 Store 版 Claude 的 AUMID（Claude_pzs8sxrjxfjjc!Claude）。
4. 桌面快捷方式生成：用 WScript.Shell COM 对象创建 .lnk 文件，TargetPath 设为 explorer.exe，Arguments 指向 shell:appsfolder\<AUMID>，图标指向 MSIX 安装目录里的 Claude.exe,0。之后点桌面图标直接启动，没有重复加载过程。
5. 进程关系梳理：分析 11 个 claude* 进程的父子关系，确认其中 9 个是 Electron 的标准多进程架构（main + 3 renderer + GPU + NetworkService + AudioService + VideoCaptureService + crashpad），另 2 个分别是当前会话的 Claude Code CLI 和一个挂了 3 天的 npm 旧版孤儿进程。

收获

• 一个能直接用的桌面快捷方式，省掉每次的重新安装/加载过程
• 对 Windows 上 MSIX 与 Squirrel 两种 Electron 应用打包方式差异的具体认识
• 一条排查思路：用进程命令行回溯安装来源，比从注册表 Uninstall 表入手更快定位实际可执行文件位置

技术栈

• AI 工具：Claude Code CLI（Opus 4.7 / 1M 上下文）
• 常用语言：Python（NumPy / Matplotlib）
• 数据格式：Tecplot ASCII BLOCK (.plt)
• 版本控制：Git / GitLab