从3月中开始使用GPT5.3到5.4，发现它确实比国内大模型好太多了。

1，我可以只提需求，它能理解需求，设计架构，代码实现，自己测试，自己补文档，完整的工程能力。

2，代码质量非常高，没有语法类错误，逻辑错误也会被自己的测试发现并修正，大部分时候完成任务不需要人工改动一行代码。

3，不会像某些模型一样，修复了bug A，出现bug B，修复了bug B，出现bug C，修复了bug C，又出现bug A，周而复始，原地转圈。

4，拆解难题为合理小步骤，逐步推进，直至达到最终目标。Claude Opus 4.6没搞定的一个从采样数据解析同步码的通信问题，GPT5.4搞定。这个难题可是困扰了团队两年，被GPT5.4两个晚上搞定。

5，用它一小时内实现了GPU并行解调100Msps QPSK的仿真，而这是某大所去年的正式立项。

6，没有幻觉，完全没有。

7，能记住超长对话。

8，能分析解决问题的多项选择，告诉你这么做的原因，推荐下一步的最佳动作，比我还完美主义。

9，VS Code插件Codex完美工作，延续习惯。

10，Codex插件一样能调用系统命令帮你安装缺失的依赖和库，帮你打开各种文档进行分析，帮你生成流程图说明程序架构，你可以理解它不仅仅是编程助手，简直就是一个Agent。

11，当然，它也不是万能的。在专业领域，比如通信、卫星，某些专业知识或隐性知识，它还是不知道的，需要你主动告诉它，或者看它走歪了时告诉它，它才会及时纠正。而这，正是专业开发人员目前不能被AI替代的地方之一。

所以，对开发人员来说，一个顶尖好用的大模型才是最有用的，小龙虾和爱马仕没啥大用处（我都装了使用了一两个月）。

这个春节寒假就是个疯狂的AI假期。Claude Opus 4.6、GPT 5.3 Codex，GLM 5等国内外新一代大模型相继发布，让半个程序员的我陷入狂喜之中，每天2点才能睡觉，有时间就折腾他们，好多想干的事终于在AI进化到今天的智能后可以干了。

让GPT 5.4自己去爬文件夹，对假期中的AI编程做个总结，它花了2分钟干这事，最后生成个word文档，内容如下：

---

Programs 目录程序汇总报告

目录: D:\BaiduSyncdisk\Denny\Programs

统计说明

• 本报告按“一个程序 = Programs 下一个一级子目录”整理，共 12 个程序目录。
• 文件数统计排除了虚拟环境、缓存、打包产物和 IDE 元数据目录，例如 .git、.venv、venv、__pycache__、build、dist、downloads、output、outputs、results、video_frames 等。
• 代码总行数仅统计源码/脚本文件，例如 .py、.ipynb（仅代码单元）、.cpp/.c、.ps1、.html 等；Markdown、JSON、图片、模型和数据文件不计入代码行数。
• 用途说明优先依据 README、说明文档和主脚本名称/内容推断；无法确认的目录会明确标注不确定性。

总体结论

• 当前全部程序合计文件数为 609，代码总行数为 26092。
• 按代码总行数看，规模最大的 3 个目录是 XL_PSS（6373 行）、DVS_codes（3708 行）和 Robot_AI（3474 行）。
• 按文件数看，数量最多的 3 个目录是 CV_face（258 个）、CV_simple（149 个）和 ResNet50（67 个）。
• 这些项目大致可以分为 4 类：计算机视觉/深度学习、信号与通信分析、机器人/自动化、以及可视化仿真工具。
• 其中 Robot_AI、CV_face、CV_simple 的文件数仍受资料包或样本图片影响，不能简单等同于软件复杂度。

程序总表

程序目录	主要用途	文件数	代码总行数	备注
Boids_sim_py	基于 Craig Reynolds Boids 模型的鸟群/群体行为仿真，目录中保留了多个由不同模型生成的实现版本，适合做算法演示和实现对比。	12	3127	以 Pygame 实时动画为主。
CV_face	人脸识别完整流程项目，包含摄像头测试、数据采集、数据集切分、模型训练和实时识别。	258	508	文件数主要由样本图片组成。
CV_simple	空间种植/植物状态视觉识别项目，用于识别植物健康状态和生长阶段，并支持实时摄像头检测。	149	915	目录中包含训练样本和两个识别模型。
DVS_codes	DVS 事件相机数据处理与可视化工具集，重点是 EVT3/RAW/HDF5 数据解析、多版本播放器和 Metavision SDK 集成。	40	3708	包含多版 viewer、示例数据和格式参考图。
DVS_trigger_RGB	用于浏览和下载远程服务器上 DVS 触发的 RGB 照片的桌面工具，带登录、轮询、目录解析和 GUI 查看能力。	9	575	主体代码集中在单个 Python 脚本。
LEO_TDOA_Simulation	LEO 卫星 TDOA 定位仿真，涉及信号检测、测向、链路预算、GDOP 和 Monte Carlo 分析，并提供 GUI。	7	2274	README 描述完整，定位明确。
Phased-array-antenna-pattern	相控阵天线方向图 GUI 仿真程序，用于波束扫描、2D/3D 方向图显示和主瓣/旁瓣/波束宽度分析。	3	393	体量较小但目标单一清晰。
ResNet50	基于 TensorFlow/Keras 的 ResNet50 计算机视觉学习系统，覆盖数据处理、训练、推理和 Notebook 教学示例。	67	2309	同时包含脚本和教学型 Notebook。
Robot_AI	树莓派小车/机器人控制系统，支持 Web 端远程控制、避障、视频监控和自动/手动模式切换。	29	3474	参考资料减少后，统计更接近核心项目规模，但仍混有硬件资料和附件。
SNN_learning	脉冲神经网络（SNN）演示程序，展示网络结构、脉冲栅格图、膜电位变化和可视化分析。	2	626	更像单文件教学演示。
URL_monitor	WiFi 监听模式下的 URL/DNS 查询监控工具，可按关键字或域名告警，并支持日志、桌面通知和邮件提醒。	4	1810	单脚本项目，但逻辑较完整。
XL_PSS	针对星链上行 IQ/PCM 数据的突发检测、OFDM 参数估计、CP/PSS 提取和相位分析工具链。	29	6373	分析脚本较多，项目偏研究/信号处理。

逐目录备注

Boids_sim_py

用途: 基于 Craig Reynolds Boids 模型的鸟群/群体行为仿真，目录中保留了多个由不同模型生成的实现版本，适合做算法演示和实现对比。

统计: 文件数 12，代码总行数 3127，代码文件数 11。

主要文件类型: .py x 11、.md x 1

备注: 以 Pygame 实时动画为主。

CV_face

用途: 人脸识别完整流程项目，包含摄像头测试、数据采集、数据集切分、模型训练和实时识别。

统计: 文件数 258，代码总行数 508，代码文件数 5。

主要文件类型: .jpg x 250、.py x 5、.h5 x 1、.json x 1、.md x 1

备注: 文件数主要由样本图片组成。

CV_simple

用途: 空间种植/植物状态视觉识别项目，用于识别植物健康状态和生长阶段，并支持实时摄像头检测。

统计: 文件数 149，代码总行数 915，代码文件数 6。

主要文件类型: .jpg x 138、.py x 6、.h5 x 2、.cfg x 1、.json x 1、.md x 1

备注: 目录中包含训练样本和两个识别模型。

DVS_codes

用途: DVS 事件相机数据处理与可视化工具集，重点是 EVT3/RAW/HDF5 数据解析、多版本播放器和 Metavision SDK 集成。

统计: 文件数 40，代码总行数 3708，代码文件数 11。

主要文件类型: .jpeg x 14、.py x 11、.raw x 6、.tmp_index x 6、.spec x 2、.xml x 1

备注: 包含多版 viewer、示例数据和格式参考图。

DVS_trigger_RGB

用途: 用于浏览和下载远程服务器上 DVS 触发的 RGB 照片的桌面工具，带登录、轮询、目录解析和 GUI 查看能力。

统计: 文件数 9，代码总行数 575，代码文件数 2。

主要文件类型: .txt x 2、.docx x 1、.html x 1、.json x 1、.md x 1、.png x 1

备注: 主体代码集中在单个 Python 脚本。

LEO_TDOA_Simulation

用途: LEO 卫星 TDOA 定位仿真，涉及信号检测、测向、链路预算、GDOP 和 Monte Carlo 分析，并提供 GUI。

统计: 文件数 7，代码总行数 2274，代码文件数 3。

主要文件类型: .py x 3、.md x 1、.spec x 1、.txt x 1、[no ext] x 1

备注: README 描述完整，定位明确。

Phased-array-antenna-pattern

用途: 相控阵天线方向图 GUI 仿真程序，用于波束扫描、2D/3D 方向图显示和主瓣/旁瓣/波束宽度分析。

统计: 文件数 3，代码总行数 393，代码文件数 2。

主要文件类型: .md x 1、.ps1 x 1、.py x 1

备注: 体量较小但目标单一清晰。

ResNet50

用途: 基于 TensorFlow/Keras 的 ResNet50 计算机视觉学习系统，覆盖数据处理、训练、推理和 Notebook 教学示例。

统计: 文件数 67，代码总行数 2309，代码文件数 24。

主要文件类型: .jpg x 22、.py x 18、.png x 10、.ipynb x 6、.md x 6、[no ext] x 3

备注: 同时包含脚本和教学型 Notebook。

Robot_AI

用途: 树莓派小车/机器人控制系统，支持 Web 端远程控制、避障、视频监控和自动/手动模式切换。

统计: 文件数 29，代码总行数 3474，代码文件数 17。

主要文件类型: .py x 13、.md x 6、.yaml x 2、.css x 1、.html x 1、.js x 1

备注: 参考资料减少后，统计更接近核心项目规模，但仍混有硬件资料和附件。

SNN_learning

用途: 脉冲神经网络（SNN）演示程序，展示网络结构、脉冲栅格图、膜电位变化和可视化分析。

统计: 文件数 2，代码总行数 626，代码文件数 1。

主要文件类型: .png x 1、.py x 1

备注: 更像单文件教学演示。

URL_monitor

用途: WiFi 监听模式下的 URL/DNS 查询监控工具，可按关键字或域名告警，并支持日志、桌面通知和邮件提醒。

统计: 文件数 4，代码总行数 1810，代码文件数 1。

主要文件类型: .json x 1、.log x 1、.py x 1、.txt x 1

备注: 单脚本项目，但逻辑较完整。

XL_PSS

用途: 针对星链上行 IQ/PCM 数据的突发检测、OFDM 参数估计、CP/PSS 提取和相位分析工具链。

统计: 文件数 29，代码总行数 6373，代码文件数 24。

主要文件类型: .py x 24、.docx x 1、.md x 1、.mp4 x 1、.pcm x 1、.pdf x 1

备注: 分析脚本较多，项目偏研究/信号处理。

建议

• 如果后续要做更精确的软件资产盘点，建议把“源码”“数据”“模型”“参考资料”“打包产物”拆开分别统计。
• Robot_AI 适合再拆分“核心 Python 应用”和“随附硬件资料/示例代码”两部分，否则其规模统计仍会被附件放大。
• 如果你后面还会继续删减数据集或参考资料，建议固定一份统计口径，便于做前后版本对比。

---

够强吧？GPT 5.4的能力不仅仅在一流的编程，它实际上自带的skills和MCP能力已经完全可以不用不安全的OpenClaw了。当然，这花费我160/月，但绝对值得。

这些程序中花时间最多的是Robot_AI，树莓派智能小车程序，而且还花了我1400银子买树莓派、小车、电机、超声波传感器、红外传感器、电阻、排线等等。现在，这台小车能自动避障行驶，能看到我进行跟随，丢失我转圈寻找，我远离它靠近，我靠近它远离，特别有意思。下一步，还想加上语音控制，不知道树莓派5的心智是否能支撑？当然这个问题也可以先寻求AI的帮助。

视频在这里：树莓派5智能避障、跟随人脸小车，全AI架构设计、硬件设计、原材料采购推荐、组装指导、软件算法、软件编码。-其他-高清完整正版视频在线观看-优酷

最后谈谈AI编程对软件工程师的影响。这个话题似乎已经被谈滥了，我只说我自身的感受。

假期前有员工离职，留下一个硬件设备里嵌入式软件中的bug。大家发现这个bug已经有两三年了，是个产品中的老问题，但因为它是偶发性，很难复现，所以很难修复，就没人管它了。但假期前集中测试设备，遇到了两三次，这对即将交付的产品来说是致命的，用户肯定无法接受，到时候派人去现场调试成本就太大了。但嵌入式工程师已经离职，而且最近天天加班到晚上10点，周末也不休息，根本没时间回来弄。

那就让AI帮忙吧。

进到他留下的电脑，开虚拟机，终端安装Opencode CLI，打开VS Code，装上Opencode插件，打开他的app工程目录，告诉Opencode这个代码的目的、功能、现在的问题表现、可能的调试方向，然后它就开始吭哧吭哧读代码，理思路，最后给我指出代码可能存在的问题，问我是否允许它动手改。那就改吧。几分钟后它说改好了，也自动编译了，让我把二进制文件拷贝进设备验证。我欢天喜地把二进制拷进设备，可以运行，但偶发问题没法短时间验证，反而发现它影响了设备其它功能，我晕！告诉它问题，它认错。这次它开始完整研究代码，找出它的改动为啥影响了其它功能，然后又出一个版本让我测试。就这样它改一版，我测一版，我就是它的测试工程师。一天下来，最后所有功能都能正常执行了，但这个偶发问题是否真的被修复，还需要时间验证。【三月补充：经过2-3个星期的观察，偶发性问题好像确实没有再发生了。顺手还让它修复了另外一两个小问题。所以，我这个半拉子工程师让AI搞定了一个团队两三年没搞定的很隐蔽的偶发性问题！服不服？】

我自己总结AI对软件开发人员的影响：

1，不用AI的工程师是注定被淘汰的第一波人；
2，初级甚至中级工程师的职位已经岌岌可危，尽快用上AI，尽快提升专业领域知识是唯一出路；
3，用AI辅助编程的高级工程师是公司的核心价值所在，因为AI还无法替代高级工程师的业务理解、架构指导、线下验证等能力；
4，受冲击最大的是行业是门槛较低的领域比如互联网、自媒体，具备较高专业门槛的领域受冲击相对较小，比如通信、硬件（因为大模型训练样本不够啊，比如假期中那么多程序，它唯一一个没搞定的就是星链PSS解调）；
5，AI的进化已经是指数级上升，跟上最新的技术，哪怕只是了解一下也是必不可少的，否则很可能错过一些机遇，或者自身没准备好而快速掉队。

AI对普通人、龙虾对普通人、龙虾对程序员的作用是什么？下个月再聊吧，困。