AI Coding
I rely heavily on AI coding tools (Claude Code, Cursor, etc.) in my daily work and research. Here I document real-world cases and reflections.
Tools
- Claude Code — Primary tool for code generation, refactoring, debugging, and documentation
- Cursor — Codebase-aware editor, ideal for large projects
- GitHub Copilot — Lightweight everyday completion
Case Studies
Building This Site with Claude Code
Tool: Claude Code Context: Building this Jekyll academic site from scratch — adding pages, tweaking styles, fixing config errors Takeaway: AI grasps Jekyll template structure quickly, cutting down time spent reading docs. Especially effective for niche syntax like Liquid templates.
Debugging Robot Simulation Environments
Tool: Claude Code + Cursor Context: Debugging VLA policies in IsaacSim / MuJoCo, pinpointing sensor data alignment issues Takeaway: Feeding error messages and env configs together to the AI locates issues in minutes that would otherwise take hours.
Paper Writing Assistance
Tool: Claude Context: Polishing Abstract and Related Work sections for the REVER paper Takeaway: AI cannot replace thinking, but it significantly improves language quality. Asking AI to critique first, then revise, works better than asking it to rewrite directly.
Codex + GPT5.5 Goal-Driven Agent 实验
工具： Codex CLI + GPT5.5 Goal 模式 场景： 让 AI agent 自主执行具身智能研究的完整流程——搭建环境、跑基线、读日志、归因失败、生成数据、训练模型、提交评测、汇总结果并持续迭代（跑了 15 天） 核心思路： 将 Codex 反复调用的能力封装为可复用的 skill（镜像管理、数据平台、模型训练、评测、论文检索、知识库检索），使其能围绕同一研究目标持续执行 关键成果：
- 自动跑通 4 个 benchmark（ALFWorld、EB-ALFRED、EB-Habitat、LoTa-WAH）
- 复现 RoboAgent-style pipeline，建立可比较的 baseline
- 从 rollout 和日志中自动归因失败（重复搜索、阶段混乱、记忆未利用、工具格式错误等）
- 通过 SFT/DPO 将失败轨迹转化为训练信号
- 设计 Public-Sitter Memory 机制，只记录公开交互历史，可审计 收获： Prompt 是接口约束，不是具身大脑能力本身；真正的长程状态保持、多目标 bookkeeping、复杂工具链切换，需要结合训练来解决
Reflections
AI Coding is not about writing less code — it’s about spending your time on decisions that actually matter.
The core skill for engineers using AI tools has shifted to: clearly describing the problem, judging output quality, and keeping the big picture in mind. This maps closely to what robotics research demands — you need to know what the robot should do before you can verify whether it did it right.
Continuously updated. Feel free to reach out by email if a specific use case interests you.
我在日常工作和研究中大量使用 AI Coding 工具（Claude Code、Cursor 等），这里记录一些真实的实践案例和使用心得。
工具
- Claude Code — 主力工具，用于代码生成、重构、调试和文档撰写
- Cursor — 结合 codebase 上下文的编辑器，适合大型项目
- GitHub Copilot — 日常轻量补全
实践案例
用 Claude Code 搭建个人主页
工具： Claude Code 场景： 从零开始搭建这个 Jekyll 学术主页，包括新增页面、调整样式、修复配置错误 收获： AI 能快速理解 Jekyll 模板结构，大幅减少查文档的时间；对于 Liquid 模板语法这类”冷门”知识，效果尤其好
机器人仿真环境调试
工具： Claude Code + Cursor 场景： 在 IsaacSim / MuJoCo 环境中调试 VLA 策略，快速定位传感器数据对齐问题 收获： 将报错信息和环境配置一起喂给 AI，能在几分钟内定位原本需要一两小时排查的问题
论文写作辅助
工具： Claude 场景： REVER 论文的 Abstract、Related Work 润色与逻辑梳理 收获： AI 不能替代思考，但能显著提升语言质量；让 AI 先给出批评意见再修改，比直接让它重写效果更好
Codex + GPT5.5 Goal-Driven Agent 实验
工具： Codex CLI + GPT5.5 Goal 模式 场景： 让 AI agent 自主执行具身智能研究的完整流程——搭建环境、跑基线、读日志、归因失败、生成数据、训练模型、提交评测、汇总结果并持续迭代（跑了 15 天） 核心思路： 将 Codex 反复调用的能力封装为可复用的 skill（镜像管理、数据平台、模型训练、评测、论文检索、知识库检索），使其能围绕同一研究目标持续执行 关键成果：
- 自动跑通 4 个 benchmark（ALFWorld、EB-ALFRED、EB-Habitat、LoTa-WAH）
- 复现 RoboAgent-style pipeline，建立可比较的 baseline
- 从 rollout 和日志中自动归因失败（重复搜索、阶段混乱、记忆未利用、工具格式错误等）
- 通过 SFT/DPO 将失败轨迹转化为训练信号
- 设计 Public-Signal Memory 机制，只记录公开交互历史，可审计 收获： Prompt 是接口约束，不是具身大脑能力本身；真正的长程状态保持、多目标 bookkeeping、复杂工具链切换，需要结合训练来解决
一些感受
AI Coding 不是让你少写代码，而是让你把时间花在真正重要的决策上。
工程师用 AI 工具的核心能力，变成了：清晰描述问题、判断输出质量、把握整体方向。这和做机器人研究需要的能力高度重合——你得知道机器人应该做什么，才能验证它做对了没有。
持续更新中。如果你对某个具体场景感兴趣，欢迎通过邮件交流。