【More Than Coding】用MTC模式完成实验优化工作

SOLO挑战赛专区
1

摘要

利用 SOLO AI 编程助手在三天内完成了基于 VNP46A2 夜光数据的 GNN 图构建方案实验与选型。通过五套不同图结构方案的对比实验，最终确定了最优技术路线，实现了约 11 倍的开发效率提升。

背景

我是一名科研人员，研究方向为遥感与深度学习交叉领域，。日常工作中需要反复进行图结构构建算法开发、模型训练调优、多方案对比实验等，涉及大量代码编写与调试，原本耗时较长，希望用 SOLO 提效。

实践过程

一、实践过程

我将 NTL-GNN 夜间灯光数据缺失值填补系统开发拆解为以下阶段：

image
image2305×531 42 KB

flowchart TD
    A["🚀 NTL-GNN 夜间灯光数据缺失值填补系统"] --> B["阶段一：图构建算法开发与对齐"]
    A --> C["阶段二：数据预处理与采样优化"]
    A --> D["阶段三：基准性能测试"]
    A --> E["阶段四：三种自适应方案实现"]
    A --> F["阶段五：训练与评估"]
    A --> G["阶段六：工程化部署"]

    B --> B1["v1 GPU Bresenham LUT 实现"]
    B --> B2["v2 Numba JIT 实现"]
    B --> B3["Round-robin 象限选择对齐"]
    B --> B4["三种边类型对齐"]

    C --> C1["自然断点采样 10类→7类"]
    C --> C2["修复 logger / 输出目录问题"]

    D --> D1["v1 vs v2 基准对比"]
    D --> D2["性能分析报告 docx"]

    E --> E1["方案A：质量自适应节点"]
    E --> E2["方案B：异质性感知连边"]
    E --> E3["方案C：注意力图结构学习"]

    F --> F1["方案C 训练 R²≈70% ❌"]
    F1 --> F2["切换方案A/B"]
    F2 --> F3["PyG GATv2Conv 通用训练脚本"]

    G --> G1["Shell 脚本编排 0~7号"]
    G --> G2["README 更新"]
    G --> G3["Git commit & push"]

    style A fill:#4A90D9,color:#fff,stroke:#2C5F8A,stroke-width:2px
    style B fill:#5B9BD5,color:#fff
    style C fill:#5B9BD5,color:#fff
    style D fill:#5B9BD5,color:#fff
    style E fill:#5B9BD5,color:#fff
    style F fill:#5B9BD5,color:#fff
    style G fill:#5B9BD5,color:#fff
    style F1 fill:#E74C3C,color:#fff
    style F2 fill:#27AE60,color:#fff
    style F3 fill:#27AE60,color:#fff

阶段一：图构建算法开发与对齐

  • v1（GPU Bresenham LUT）与 v2（Numba JIT）两种图构建器的实现
  • Round-robin 象限选择、三种边类型等核心算法对齐

阶段二：数据预处理与采样优化

  • 自然断点采样从 10 类合并为 7 类（>0.1 合并为一类）
  • 修复 logger 未定义、输出目录不存在等工程问题。

阶段三：基准性能测试

  • v1 vs v2 基准对比（1515s vs 1101s，1.376x 加速）
  • 生成性能分析报告（docx），SOLO可以直接使用 docx 技能生成指定字体和格式的内容，如果老板对格式有要求，这个能力真的帮了很大忙。

image
image1442×1315 210 KB

阶段四：三种自适应方案实现

  • 方案A：质量驱动的自适应节点数
  • 方案B：空间异质性感知的动态连边
  • 方案C：注意力图结构学习

image
image2520×1287 259 KB

阶段五：训练与评估

  • 方案C 完整训练（R² ≈ 70%，未达论文 90% 目标），也就是当前给出的几个优化思路无法提升缺失值填补的性能
  • 转向方案 A/B，使用 PyG GATv2Conv 通用训练脚本

阶段六：工程化部署

  • Shell 脚本编排、README 更新、Git 推送

image
image2537×1332 347 KB

二、使用的 SOLO 能力

能力 应用场景
代码生成 图构建器、GNN 模型、训练脚本的完整 Python 模块
错误诊断与修复 张量维度广播、CUDA 索引越界、模块导入路径等
文档生成（docx 技能） 性能分析报告自动生成，格式规范
Shell 脚本编排 7 个部署脚本，覆盖完整实验流程
Git 版本管理 自动 commit + push
TodoList 任务追踪 多阶段任务的进度管理

三、踩坑记录

坑①：网页版 SOLO 直连服务器

在服务器上运行训练任务时，遇到报错需要反复在本地 SOLO 和服务器终端之间切换，效率较低。

影响：每次修复都需要手动复制代码到服务器、运行、再复制报错回来，一轮至少 2-3 分钟。

坑②：错误修复无法一次正确

典型场景：PyTorch 3D/4D 张量广播问题，同一个 unsqueeze 类型的错误反复出现 3 次。

第一次：att_src (1,heads,head_dim) × h (B,heads,N,head_dim) → 添加 unsqueeze(2)

第二次：att_bias (1,heads,1) 同样问题 → 再次添加 unsqueeze(2)

第三次：h * attn.unsqueeze(-1) 产生 5D 张量 → 改用 torch.matmul

:light_bulb: 虽然多轮对话最终都能解决，但无法一次定位所有同类问题，需要"打地鼠"式逐个修复。

效果与总结

在本项目中，我使用 SOLO 完成了 NTL-GNN 夜间灯光数据缺失值填补系统的核心开发工作，包括图构建算法的对齐与优化、三种自适应图结构改进方案（质量自适应节点、异质性感知连边、注意力图结构学习）的设计与实现，以及完整的训练与评估流程搭建。原本这类从算法设计、代码编写、调试到实验对比的完整链路，通常需要数周时间反复迭代，而在 SOLO 的辅助下，整个开发周期大幅缩短，许多原本需要手动排查数小时的问题（如 PyTorch 张量维度广播错误、模块导入路径问题等）能够在几分钟内定位并修复。

SOLO 在我的工作流程中承担了多个关键角色：首先是代码生成与重构，能够根据我对算法的描述快速生成完整的 Python 模块，包括图构建器、GNN 模型、训练脚本等；其次是错误诊断与修复，面对运行时报错（如 CUDA 索越界、3D/4D 张量广播不匹配、DataLoader collate 类型错误等），SOLO 能精准定位问题根源并给出修复方案；此外还包括项目工程化管理，如自动编写部署脚本、生成性能分析报告、维护 README 文档以及 Git 版本管理等。整个过程中，我只需要提供算法思路和报错信息，SOLO 便能完成从编码到调试再到提交的闭环。

从可复用的方法论来看，我认为最有效的协作模式是：将复杂任务拆解为图构建、模型训练、方案对比等独立阶段，每完成一个阶段就进行验证，避免错误累积。同时，将 Python 逻辑与 Shell 脚本分离、保持模块间接口清晰、使用统一的配置管理，这些工程实践在 SOLO 辅助下更容易贯彻。