d0o0g

已经有很多版本了：picoclaw 、nanobot 、zeroclaw 、nullclaw ，一个比一个轻量

@coefu 所以我现在的观点是“普通、简单的开发场景，很多程序员的护城河几乎没有了”。至于你说的这个迁移的复杂场景，我让 chatgpt 来回答你：

如果是像 PUBG 这样体量巨大的 UE4 项目移到 UE5 ，目前的 AI 编程助手（包括 Codex 类工具）不可能独立完成迁移，但可以明显提高效率。

在实际迁移中，很多工作属于“机械性工程劳动”，比如 API 替换、废弃接口修复、Build.cs 调整、编译报错修复、批量重构、自动生成迁移脚本等，这类任务 AI 很擅长，在代码层面可能减少 30%50% 的工作量。如果工程结构清晰、自动化测试完善，效率提升甚至更高。

未来如果 AI 更强，它会从“写代码助手”变成“工程执行代理”：自动编译、自动跑性能基准、分析崩溃日志、对比 UE4 与 UE5 指标差异、生成修复建议甚至自动提交 PR 。那时整体迁移成本可能降低 50%70%。

但对于大型在线游戏，完全“一键迁移”在可预见的几年内仍然不现实，人类工程师仍然负责架构决策与风险控制。

黄仁勋说：“编程？那只是打字而已”。春节期间我用 codex ，5 天内花了 2.4 亿 token ，写了一个量化回测的工具。我在其中发挥的作用真的就是打字写提示词而已。最后我甚至都没去看前后端的代码是怎么写的。
对于一些普通、简单的开发场景，很多程序员的护城河几乎没有了，普通人也能写软件、app 了。
至于大型的软件，原来需要 100 个人写，以后可能 10 个人就够了。
AI 编程绝对是革命性的。

@mf2019d 其实我大概都有一些小的研究，现在偏向做 ETF 。动量和趋势这种技术因子还挺适合 ETF 的。小市值如果加上 PEG 、股息率等基本面因子效果也还挺好的。

@ios 应该是可以的，但要注意硬盘空间，rqalpha 的日线数据解压以后就有 3G 左右了

@bugKiller 回测的性能可以参考 rqalpha ，事件驱动使用 python 效率一般，如果换成向量化的框架，会快一些。平台技术的话，前端是 vue ，后端是 flask ，引擎是 rqalpha ，研究模块使用的是 jupyter notebook 。全部代码都是 codex 的 gpt5.2 和 gpt5.3 写的。我扮演的角色大概就是提示词工程师

@mf2019d 好工具，后面我研究适用看看～

@0xABCD rqalpha 自带 2005 年到 2026 年的 A 股日行情数据，每月更新一次。后续我计划接入 tushare ，就可以支持分钟级别的数据了。

@wew3 谢谢支持～一起用 AI 构建自己的交易系统～