精选案例 · Agent / 实践案例
Claude Code 辅助仓库理解、自动化操作与代码审查实践
可读标题 · 基于原文内容整理
原题：闫静松（yanjs）
这个案例围绕「闫静松（yanjs）」记录了一条真实 AI 实践线索，正文重点集中在「AI 辅助编程经历」「从命令行到对话式编程」，适合先按任务意图阅读再判断复用。
案例速读
README 标题「闫静松（yanjs）」下已经出现运行/配置路径、脚本或接口线索、结果证据，正文重点集中在「AI 辅助编程经历」「从命令行到对话式编程」，比纯概念介绍更适合进入精选阅读流。 这篇案例的阅读价值在于，它把真实任务、模型辅助过程和可迁移做法放在同一个上下文里，读者可以从 「闫静松（yanjs）」、「AI 辅助编程经历」、「从命令行到对话式编程」、「使用 Claude Code 的日常」 进入正文。
- 建议重点看 可参考其中的运行与配置路径、包含可迁移的命令、脚本或接口线索、已有结果或观测证据可用于判断复用价值。结合 Agent / 实践案例 和「任务驱动用户、AI 实践者」这一受众定位，它更适合作为任务检索后的精读材料，而不是只看一句短摘要后快速跳过。
- 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
- 看点
- 闫静松（yanjs）
- 读者
- 任务驱动用户、AI 实践者
- 复用
- 可参考其中的运行与配置路径
- 结构
- 9 个目录入口
原文内容
闫静松（yanjs）
网络信息中心
AI 辅助编程经历
从命令行到对话式编程
以前写代码的流程是：想清楚需求 → 查文档 → 写代码 → 调试 → 查 Stack Overflow → 改代码，循环往复。遇到不熟悉的语言或框架时，大量时间花在搜索和理解文档上。
接触 AI 辅助编程后，工作流变成了：描述需求 → AI 生成初版 → Review 并调整 → 迭代完善。最大的变化不是"写得更快"，而是认知负担显著降低——不再需要记住每个 API 的参数顺序、不再需要纠结语法细节，可以更专注于要解决的实际问题。
使用 Claude Code 的日常
Claude Code 是我目前用得最多的 AI 编程工具，几个典型场景：
- 代码探索与理解：接手陌生仓库时，让 AI 快速梳理项目结构和核心逻辑，比自己逐文件阅读效率高很多
- 自动化重复操作：Git 操作、文件批量处理、项目脚手架搭建这类机械性工作直接交给 AI
- Bug 定位：贴一段报错和上下文，AI 往往能快速缩小排查范围
- 代码 Review：写完代码后让 AI 检查一遍，能发现一些自己忽略的边界情况
几点体会
- AI 是副驾驶，不是自动驾驶。生成的代码必须 Review，理解每一行在做什么。盲目信任会埋下隐患。
- 描述需求本身就是一种能力。能清晰、准确地描述自己想要什么，决定了 AI 输出的质量上限。
- AI 擅长已知模式，不擅长创新设计。业务逻辑、架构决策还是要自己来，AI 更适合做实现层面的加速。
- 版本控制习惯更重要了。AI 辅助下代码产出速度变快，频繁提交、小步迭代比以往更关键。
项目列表
| 项目 | 简介 | 跳转 |
|---|---|---|
| 🌍 地震波形预处理 | 大模型辅助微调 STA/LTA 算法阈值参数 | 查看 |
项目详情
地震波形预处理
利用大模型辅助微调 STA/LTA（Short-Term Average / Long-Term Average） 算法，对地震波形数据进行预处理。
背景
STA/LTA 是地震学中常用的震相自动拾取算法，通过短时窗与长时窗的能量比值来检测地震事件。算法的核心在于阈值参数的选取——阈值过高会漏检微震事件，阈值过低则容易将噪声误判为地震信号。传统做法依赖人工经验反复试参，效率低且难以量化评估。
AI 辅助过程
- 代码实现：向大模型描述 STA/LTA 算法原理和处理流程，AI 快速生成了完整的 Python 实现，包括特征函数计算、滑动窗口比值、触发判定等模块。
- 参数调优：将不同阈值参数下的检出结果（触发次数、持续时间分布、信噪比统计）喂给 AI，让其分析参数敏感性并推荐合理的阈值区间。
- 可视化分析：AI 辅助生成波形对比图，将原始波形、STA/LTA 特征曲线、触发标记绘制在同一视图下，直观验证不同参数的效果。
效果
- AI 推荐的阈值参数与实际最优值偏差在 5% 以内，大幅减少了人工调参时间
- 预处理后的波形数据信噪比提升明显，为后续震相识别奠定了良好基础
技术栈
- AI 工具：Claude Code / ChatGPT
- 常用语言：Python / JavaScript / Bash
- 版本控制：Git / GitLab