从调参调到凌晨三点，到用 AI 写代码：一个杭州自由开发者的模型训练实战手记
作者：阿哲，远程办公2年，坐标杭州良渚，小两室还着每月6800的房贷。白天写 Python，晚上陪老婆追《繁花》，偶尔被老板（其实是客户）微信轰炸到凌晨。
上周五晚上十一点半，我又一次坐在我那张宜家二手书桌前，盯着满屏的 loss 曲线发呆。
窗外下着小雨，楼下的外卖小哥还在狂奔。我手边放着一杯已经凉透的瑞幸生椰拿铁——这月第12杯了，账单提醒我花了357块。老婆在隔壁房间刷抖音，偶尔传来她笑出声的声音。而我，正在跟一个叫 BERT-base 的模型死磕。
“为什么验证集准确率就是卡在83.2%不动了？”我抓了抓头发，心里默念：“再调不好，下周客户就要砍预算了。”
这不是我第一次崩溃。但这次不一样——因为我知道，AI 工具已经能帮我干掉一半的脏活了。比如，我现在左手开着 Gemini，右手挂着 Claude Code，它们正帮我重写数据预处理脚本，顺便解释为啥我的 learning rate 可能设得太激进。
是的，朋友，我不是来给你讲高深理论的。我是那个和你一样，在杭州租房/买房、还着房贷、靠接外包吃饭的普通开发者。今天这篇文章，就聊聊我这两年从手动调参到人机协作的真实经历，尤其怎么用 Gemini 和 Claude Code 这两个“外挂”把训练效率拉满。
一、去年十月，我差点被一个 NLP 项目搞破产
事情得从去年秋天说起。
那时我刚接了个本地电商公司的活儿：帮他们做商品评论的情感分析。需求看起来简单——输入一段用户评论，输出“正面/负面/中性”。报价 3.2 万，工期三周。
我信心满满：“不就是个文本分类吗？Hugging Face 上找个预训练模型微调一下，两天搞定。”
结果……现实狠狠扇了我一耳光。
- 第一天：数据集乱得像泡面，有的评论是“好用！”，有的是“一般般吧，但快递慢死了”，还夹杂着 emoji 和火星文。
- 第三天：我手动清洗数据到凌晨四点，眼睛干得像撒哈拉沙漠。
- 第五天：模型训完，准确率 71%。客户问：“能不能上 90%？”
我硬着头皮说“能”，其实心里慌得一批。
那两周，我每天睡不到5小时，饭靠美团解决，体重掉了6斤。最惨的是，我根本不知道问题出在哪——是数据不够？模型太弱？还是超参没调对？
有天深夜，老婆看我状态不对，轻声说：“要不……退掉这个项目？咱们还有点存款。”
我说：“不行，这单做完，下个月房贷就有底了。”
当时真的很焦虑。不是技术不行，而是时间成本太高。手动试 learning rate、batch size、warmup steps……就像在黑暗里扔飞镖，全靠运气。
二、转机：我开始把 AI 当“副驾驶”
直到今年年初，我在 Twitter 上看到有人用 Claude Code 自动生成 PyTorch 训练循环。
“这玩意儿靠谱吗？”我半信半疑地注册了。
第一次尝试，我让 Claude 帮我写一个 带梯度裁剪 + 学习率调度 + early stopping 的训练函数。它不仅写了，还加了详细注释，甚至提醒我：“注意检查你的 optimizer 是否在 scheduler.step() 之前调用了 step()，否则学习率不会更新。”
我当场愣住——这不就是我上周踩过的坑吗？！
后来我又试了 Gemini（Google 那个）。它的强项是上下文理解。比如我把整个项目目录拖进去，问：“为什么我的 validation loss 在 epoch 5 后开始震荡？”
Gemini 扫了一眼我的 train.py 和 config.yaml，直接指出：“你的 batch size 太小（只有 8），导致梯度噪声大，建议至少 32，并配合更大的 warmup steps。”
那一刻，我感觉像装上了自动驾驶——我不再是孤军奋战的调参民工，而是有了两个懂行的 co-pilot。
三、实战技巧：我是怎么用 Gemini + Claude Code 提升训练效率的
下面这些方法，都是我血泪换来的经验，新手友好，照着做就行。
技巧1：让 AI 帮你写“可复现”的训练脚本
以前我总随手写训练代码，变量名乱七八糟，换个环境就跑不通。现在我会先让 Claude Code 生成一个结构清晰的模板：
# 示例：让 Claude 生成带日志、checkpoint、metric tracking 的训练循环
然后我只需要填数据路径和模型定义。关键好处是——所有实验都能复现。再也不用担心“上次那个效果好的版本去哪了？”
技巧2：用 Gemini 分析 loss 曲线，快速定位问题
训练时，我习惯把每个 epoch 的 loss 和 acc 存成 CSV。以前我得自己画图、肉眼判断是否过拟合。现在我把 CSV 丢给 Gemini，问：
“我的训练 loss 持续下降，但验证 loss 在 epoch 8 后上升，可能是什么原因？”
它会结合你的模型结构、数据量、正则化设置给出建议，比如：
- “可能过拟合，建议加 dropout 或 weight decay”
- “验证集太小，波动正常，可增加验证集采样次数”
比 Stack Overflow 快十倍。
技巧3：让 Claude 解释论文里的调参 trick
有时候读论文看到 “we use linear warmup with cosine decay”，我就懵了：具体咋实现？参数怎么设？
直接复制那段话丢给 Claude Code，它会：
- 用 PyTorch / Transformers 库写出对应 scheduler
- 解释 warmup_steps 一般设为总步数的 10%
- 甚至提醒你：“如果你用 AdamW，weight_decay 通常设为 0.01”
这相当于有个 PhD 级助教 24 小时待命。
技巧4：自动生成数据增强策略
针对我那个电商评论项目，我让 Gemini 建议 NLP 数据增强方法。它推荐了：
- 同义词替换（用 WordNet 或中文同义词库）
- 随机插入标点
- 回译（中文→英文→中文）
然后我让 Claude Code 直接写出实现函数。半天时间，数据量翻了3倍，准确率直接冲到 87%。
四、别神话 AI：它只是工具，核心还是你的判断
当然，我也踩过坑。
有次我让 Claude 自动生成一个 custom loss function，结果它用了 torch.log(1 - pred)，但没加 epsilon 防止 log(0)。训练直接 NaN。
我气得骂了一句：“你是不是想让我今晚睡公司？”
但它立刻道歉并修正——AI 会犯错，但改错速度比人快。
所以我的原则是：
- 让 AI 干体力活（写 boilerplate、查文档、格式化代码）
- 我自己做决策（选模型架构、定评估指标、判断业务合理性）
比如，Gemini 建议我用 DeBERTa-v3，但我考虑到客户服务器只有 16G 内存，最终选了 DistilBERT——技术决策必须结合现实约束。
五、收入变化：从月薪 15k 到单月入 4w+
说点实在的。
两年前我还在杭州某创业公司当后端，月薪 15k，房租 3500，通勤 1.5 小时。每天下班累得不想说话。
决定做自由开发者时，老婆担心：“万一没活接怎么办？”
我说：“给我半年，不行就回去上班。”
结果，学会用 AI 工具后，我的交付效率翻倍。同样一个模型项目，以前要两周，现在 4-5 天搞定。客户多、单价高，上个月税后入账 4.1w（扣掉社保和房贷，剩 2.8w）。
最关键的是——我不再熬夜调参了。现在晚上十点准时关电脑，陪老婆散步、聊八卦，或者一起看剧。上周我们还去西溪湿地吃了顿人均 200 的杭帮菜，她笑着说：“你现在脾气好多了。”
六、给新手的三条真心建议
如果你也是刚入门模型训练的新手，听我一句：
- 别死磕 manual tuning。learning rate、batch size 这些，先用 AutoML 工具（如 Optuna）或让 AI 推荐初始值，再微调。
- 把 Gemini 和 Claude Code 当同事，不是神。它们能加速 80% 的常规操作，但剩下的 20% ——比如理解业务、设计评估逻辑——还得靠你。
- 记录每一次实验。用 Weights & Biases 或简单的 Excel 表。你会发现，进步来自系统性迭代，不是灵光一现。
最后：技术是手段，生活才是目的
写这篇文章时，已经是周日凌晨两点。但我心情很平静——因为模型今天下午就跑出了 89.5% 的准确率，客户发来红包和“合作愉快”。
我关掉终端，轻轻推开卧室门。老婆睡着了，手机还亮着，屏幕上是她给我收藏的“杭州适合结婚纪念日餐厅”。
突然觉得，所谓自由职业，不是不用上班，而是可以选择什么时候关电脑、陪谁吃晚饭。
AI 模型再强大，也只是工具。真正值得调优的，是我们自己的人生参数——工作强度、收入预期、家庭时间……这些，没有现成的 optimizer，只能靠自己慢慢找平衡。
但至少现在，我不用再一个人对着 loss 曲线发呆了。
Gemini 在左，Claude 在右，老婆在隔壁房间呼吸均匀。
这日子，挺好。
P.S. 如果你也正在杭州做远程开发，欢迎留言交流！最近在组个小群，分享 AI + 开发的实战技巧（非卖课，纯唠嗑）。房贷压力大的兄弟，互相搭把手，总比一个人扛强。
评论 0