outpost2026/Kazuistiky-LLM-sprint

# 从零到生产：LLM 增强的开发冲刺 **AI 增强学习的案例研究** 本仓库（或者说是一系列案例研究）展示了如何在软件开发学习中利用工程实践中的方法，从而加速 AI 的应用。内容包括模型可靠性分析、构建 IoT 系统的方法论、专有 CAM 格式的逆向工程，以及解决现实世界中具体任务的自动化示例。 本文档的目的不是为了描述开发者（作者本人甚至都不算是一名开发者）。 而是为了描述方法——具体来说，是哪些方法有效，哪些失败了，以及数据说明了什么。 ## 这些案例研究探讨了什么 1. **专有 CAM 格式的逆向工程方法论** — 如何在没有任何文档的情况下，从二进制文件中提取精度 >99.98% 的几何图形。耗时 29 天，22 个版本的解析器，7 个 feature 分支，使用了包括付费 API 在内的 5 个 LLM 模型。从 hex dump 到在 GCP 上的云端部署。关键发现：LightBurn 的 ACI 偏离了 AutoCAD 标准。**[逆向工程案例研究：Ruida VCF & LightBurn DXF](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/RE_CASE_STUDY_VCUTWORKS_LIGHTBURN_v2.md)** 2. 如何使用 LLM 工具，哪些具体方法产生了可靠的输出，而哪些导致了性能倒退 - **[Gemini 翻译案例](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/Kazuistika_Gemini_preklad.md)** 以及来自另一个仓库的案例，在那里 Gemini 的幻觉呈几何级数增长：[RAG_indexer](https://github.com/outpost2026/RAG-indexer/blob/main/development_notes.md) - 这个例子比 *gemini_preklad* 更具说明性。 3. 以前的非软件经验在加速技术采纳中发挥了怎样的作用 - **[你早已熟悉的代码](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/block_05_transfer_learning_cz.md)** 4. 一个关于自动化如何不再仅仅是一种工具，而是成为了现实资源生成器的故事 - **[我的代码比我更擅长购物：Python 是如何帮我以 2,000 捷克克朗买到 Dell 的](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/block_04_case_self_bootstrapping_cz.md)** 5. 仓库的一部分还包括作为物理世界用户案例的 **[LLM 工作方法论](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/metodika_prace_s_LLM.md)** - 初学者执行复杂 IoT 遥测开发任务的决策过程 6. 在我短暂的实践中，排名前五的 AI 模型表现如何 - **[确定性工作流中 LLM 模型的实证评估](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/Empiricka_evaluace_v2.md)** - Gemini 依然遇到了同样的问题 7. 与市场的碰撞是什么样的 — 在人生中的第一次 IT 面试中（讲述一个人在大约 45 天的积极学习后，如何从体力劳动转型并获得电商平台提供的带薪测试机会的故事）**[AI 饱和时代的职业转型 (2026)](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/karierni_prechody_v_ere_saturace_AI_rok_2026_revidovano_v2.md)** 8. **B2B 验证的方法论框架** — 如何在不暴露 IP 的情况下记录逆向工程的方法论。6 阶段流程、认知框架 (CLASS_A–D)、golden master 原则、3 个类别中 23 种缺陷的检测分类法、ROI 计算。专为 B2B 合作伙伴、审计员和技术合作伙伴设计。**[方法论与验证框架](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/main/METHODOLOGY_VALIDATION_FRAMEWORK.md)** ## 取得了什么成果 - 离网太阳能遥测 pipeline - **LFP 电池的 SOC 预测** - BMS 数据、LAZ LiDAR 地理数据、pvlib 太阳能建模，分支 **[LFP_predict_pipeline](https://github.com/outpost2026/Kazuistiky-LLM-sprint/tree/LFP_soc_predict_pipeline)** - **GCP 基础设施** - 有关技术栈 (Cloud Run, Scheduler, Firestore, BigQuery) 的详细描述，请参阅 **[GCP_ingest.md](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/GCP/gcp_stack_ingest_v3.md)** - 部署在 GCP Cloud Run 上并通过 Cloud Scheduler 调度的 ETL 抓取 pipeline - **[main_pipeline.py](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/GCP/transfer_dump_main.py)** - 从 ČHMÚ 摄取气象数据 - **[meteo_miner.py](https://github.com/outpost2026/Kazuistiky-LLM-sprint/blob/GCP/transfer_dump_meteo_miner.py)** - 用于所有 pipeline 输出的 Telegram 通知 - **.VCF 格式 (Ruida/VCutWorks) 的逆向工程** — 提取 CNC 文件的几何图形和工艺参数，精度 >99.98%，已通过 LightBurn 测量验证。22 个版本的解析器，7 个 feature 分支。 - **LightBurn DXF ACI 偏差** — 通过欧几里得 RGB 插值，发现并解决了 LightBurn 与标准 AutoCAD 颜色映射之间的偏差。 - **Golden master 回归测试框架** — 10 个测试，确保确定性，针对历史输出进行 baseline diff。 所有系统均以几乎为零的成本在 serverless 基础设施上 24/7 全天候运行。 ## 目标受众 开始接触 LLM 辅助工作流的开发者。那些遇到过“AI 总是给我生成无用代码”困境的人。任何正在考虑自主的 LLM 增强学习是否能在没有正规培训或团队的情况下产出生产级成果的人。寻求实现 CAM 工作流自动化的 LightBurn 和 CNC 设备用户。

标签：逆向工具