@shiposcant: 完成阅读这篇："你越了解某件事，就越能更好地提示LLM，因为你可以将未知的未知..."

已阅读完毕： “你对某件事了解得越好，就越能更好地对LLM进行提示，因为你能把未知的未知转化为已知的未知。”

有趣的地方不在于“LLM能快速写出GPU内核”，而在于作者构建了一个循环：Codex可以生成实验、提交内核、检查形状反馈、保存日志，并持续迭代（14天内提交了超过1500次）。

如果你不理解问题，模型就会给你更多代码和更多变体。如果你理解该领域，同样的模型就变成了一种施压的方式。Codex在这里之所以有用，是因为它获得了问题陈述、AGENTS.md、提交日志、性能分析权限、量化目标、记录管理以及候选历史。它可以运行长循环，而且这个循环拥有记忆。

人工智能正在增加专业知识的回报，同时也让缺乏专业知识的代价变得更加高昂。

sankalp (@dejavucoder):
我的最新博客文章《用Codex自动研究：在GPU Mode的qr_v2问题上，我将内核速度较基线提升了212倍》现已发布。在这篇文章中，我讨论了在QR分解问题上实现自动内核化的方法。