Claude Code（以下简称CC）是Anthropic推出的命令行AI编程助手，原生使用Claude系列模型。但Anthropic官方API的价格较贵，且在中国大陆充值需要耗费一些精力（后续会出充值教程），而DeepSeek提供了官方的Anthropic兼容API端点，可以以极低的成本将DeepSeek模型接入CC。本文将记录在终端CC和VSCode CC插件中接入DeepSeek-V4-Pro的完整配置过程。
参考链接：Deepseek接入CC的官方文档
VsCode中的CC插件使用教程
B站视频教程：在VsCode-Claude-Code插件中接入DeepSeek教程

最近花了将近一周的时间，把一篇 WACV 2026 论文（AusSmoke meets MultiNatSmoke）中基于 HuggingFace 的 SegFormer 基线，完整迁移到了 MMSegmentation 1.x 框架上，并试图逐项对齐其训练与评估口径。这个过程踩了不少坑——论文和代码不一致、框架默认值陷阱、评测口径分歧……这里把全流程记录下来，方便日后回顾，也希望能帮到有类似需求的同学。

实验管理与评测脚本说明（mmseg 自定义工具链）

本文介绍在本项目（基于 MMSegmentation 1.x）里自建的一套实验管理 + 评测工具，
用于解决"多次跑同一模型不同超参会互相覆盖"“结果难以横向对比”“评测要分尺寸/分子集”
等问题。全部改动只在 my_configs/paths.py 与 tools/*.py，不触碰 mmseg 内核，
训练/评测的数值与官方 tools/train.py / tools/test.py 完全一致。

涉及文件：

• my_configs/paths.py：路径与台账核心逻辑（tools/experiment_paths.py 转出供脚本用）
• tools/train.py：训练（带运行隔离 + 台账）
• tools/smoke_test.py：单次测试（指标 + 可视化 + 台账）
• tools/smoke_test_multiscale.py：分划分一键测试（自动发现，数据集无关）

结合最近一段时间的科研实践（主要是论文复现）以及 Datawhale 的公众号经验贴，这里整理一些使用 CodeX / Claude Code 这类编程 Agent 辅助科研开发的经验。

核心思路可以概括为一句话：模型能力固然重要，但上下文、长期规则和验收标准同样重要。

总工作流

比较稳定的一套流程是：

读上下文 -> 写计划 -> 确认范围 -> 小步实现 -> 跑验证 -> 总结结果 -> /new 开新对话

Agent 很适合做“有明确边界的工程任务”，但不适合在上下文混乱、目标模糊、验证缺失的情况下自由发挥。因此，每次让它动手之前，都要先让它理解项目、对齐任务，并明确最后如何验收。

前言

最近在做烟雾分割相关实验和读文献时，越来越觉得：一篇能中、能留住的工科论文，往往不是「方法堆叠」写得好，而是「问题链条」讲得通。 方法可以换 backbone、换 loss、换训练 trick，但审稿人真正关心的是：你到底在解决什么、为什么现有工作还不够、你的设计是不是冲着这个缺口去的。

这篇文章不是通用写作课笔记，而是结合计算机视觉 → 语义分割 → 烟雾分割这条线，把自己近期梳理的一套问题驱动写作逻辑记下来，方便以后开新课题、改稿子、和导师对齐 story 时对照使用。

先交代一下这套深度学习环境的硬件配置：

• 显卡：技嘉 RTX 5090 纯血版（国外背回来的）
• CPU：AMD 9950X
• 主板：华硕 X870E-PLUS WIFI7
• 固态：三星 990 Pro 2TB
• 机械硬盘：西部数据紫盘 2TB
• 机箱：安钛克 FLUX SE
• 电源：安钛克 NE 1300 金牌（1300W，ATX 3.0，原生 12V-2x6）
• 风冷散热：九州风神 阿萨辛4
• 内存：美商海盗船 DDR5 5200 32G×2
• 系统：Ubuntu 24.04.4 LTS，内核 6.17.0-29-generic
• 驱动：NVIDIA 590.48.01（开源内核模块 + GSP），CUDA Runtime 13.1

最近在跑深度学习训练时，接连遇到几类不同表现的黑屏和 GPU 掉盘问题。起初我以为在 BIOS 里禁用核显就能解决，但实际测试下来发现问题仍然存在。经过日志排查和限功耗验证，最终确认：这不是显存不足，也不是代码问题，而是 RTX 5090 满功耗下的瞬时功耗尖峰触发供电保护，导致 GPU 掉出 PCIe 总线（Xid 79）。

前言

Git 是开发中绕不开的版本控制工具，但其包含的命令和底层概念非常多。在实际的日常代码管理中，很多时候我们只需要用到它的一小部分核心功能。

为了提高工作效率，我在这里整理了一份自己平时最常用到的 Git 操作清单，主要涵盖了本地代码的暂存、提交、历史回退以及与远程仓库的交互。这份记录以实用为主，方便在忘记具体指令时随时查阅。

最近在处理烟雾分割任务时，发现现有的语义分割评估指标在应对特定分布（如目标极其微小、类别极度不平衡）时存在一些统计上的盲区。为了更客观地衡量模型性能，我对常用的评价指标进行了梳理，并记录了在 MMSegmentation 框架下实现自定义烟雾分割评价指标的过程。

在配置基于 RTX 5090 的深度学习环境时，由于底层硬件架构较新，框架版本的匹配需要特别注意。本文主要记录了在 RTX 5090 上配置 MMSegmentation 环境的过程，以及如何使用自定义数据集跑通基础的训练和测试流程。