ZJ内部出差，从0到1完成verl + MindSpeed MM + DanceGRPO算法的 t2v RL，达成reward快速持续上升。

AI浪潮下，一开始是代码补全，之后是Vibe Coding，现在是Agent（规范驱动开发(Spec-driven Development)），后续趋势是Agent Team/Swarm。作为一个程序员，应当以什么姿势拥抱AI时代的代码编程，是需要持续关注的问题。

• 第一阶段的目标: 接入api模型，完成每日的工作相关基础的信息收集和整理归档。
• 第二阶段的目标: 无监管处理较简单事项；
• 第三阶段的目标: 参与构建复杂系统，和辅助重要决策。

量化交易一直是最火的自动赚钱的途径：

• 经过调研，个人量化从技术上是可行的。
• 加上现在agent coding能力起来了。
• 原本是自己在写AQTP仓，但是发现了 zvt 这个偏个人的研究策略仓，和更关注实盘高频模拟的 vnpy
• 现在把精力转移到开源仓的使用
• zvt 仓的使用和二次开发上；（思路、可视化、数据库、策略拓展性都感觉OK）
• QUANTAXIS 通过 Rust 加速；
• AI 向 Qbot 和 microsoft/qlib 方法尝试。Qbot还支持接入飞书。

Agent 概念与 OpenClaw 的爆火，本质上反映了人们对个人数字员工（Digital Worker）能力的期待：它不只是一个对话式 AI，而是一个可以在真实工作流中长期运行、承担任务、放大个人生产力的“虚拟员工”。

我真正关心的问题是：如何为自己的具体工作场景配置合适的数字员工，使其在时间与认知两个维度上对个人效率形成倍增效应。

• 对于不使用的python对象，如何释放？
• python 的对象管理机制
• del，empty_cache , gc_collect的原理

learning rate、clip_norm、梯度累计、micro bs 这些通用超参，应该如何调整。

• 数据集与数据加载器：学习如何使用torch.utils.data.Dataset和DataLoader来加载和处理数据。
• 数据预处理：介绍常用的数据预处理方法，如归一化、数据增强等。

作为一个AI初学者，总是遇到以下场景：

1. 客户正在基于NV开发一个AI模型，需要同步的做昇腾适配。手上只有NV下的代码。
2. 往往很难将论文里的AI模型的图，和代码里的每一层以及参数对应起来。

设计期望：

1. 在模型开发的过程中，能简单插入，来明确当前模块的大致信息。
   1. 名称，类型(卷积层，池化层)，输入/输出/参数, 执行的时间(第一次)。
2. 可视化
3. 格式兼容cpprinter。
4. 能体现出TP，CP等并行策略的效果。

大致思路：

• 还是借助chrome://tracing格式，来设计类似PyPrinter的工具。
• 早期可以使用VizTracer代替。

Practice is the best teacher in learning.