摘要:AI 能在数秒内生成数千行代码，但"看似合理"不等于"正确"。对于科研人员而言，代码错误可能导致实验结果不可复现，甚至影响论文结论。如何在享受 AI 编程高效率的同时，确保代码的正确性与可追溯性？作为AI编程瘾君子，我将会针对开发中大型开源项目，介绍下我对于可持续性AI自动化编程的实践经验，让一般学术人也能实现软件自由: 1). 用测试驱动的方式验证 AI 生成的代码——测试就是"校验码"，即使你看不懂每一行实现，只要测试通过，代码就大概率正确。2). 在此基础上，我们将测试嵌入 Git 工作流：以 Issue 定义研究问题，AI 通过 PR 提交代码，CI/CD 自动运行测试，人类审核后合并。测试保证正确性，Git 保证可追溯性，二者结合构成完整的人机协作信任体系——这对于科研代码的可复现性至关重要。报告将通过一个完整的 live coding 演示，展示从创建 Issue、提示 AI 生成代码、自动化测试到合并 PR 的全流程。

报告人: 刘金国，香港科技大学（广州）助理教授。南京大学博士，曾在中科院物理所（合作导师：王磊研究员）和哈佛大学（合作导师：Mikhail Lukin 教授）从事博士后研究，期间担任量子计算公司 QuEra Computing Inc. 全职顾问。研究方向为科学计算与中性原子量子计算。开发了多款具有国际影响力的开源科学计算框架，包括获 Unitary Fund 支持的量子模拟器 Yao、泛型张量网络算法库等。谷歌学术引用超过 2800 次。

Contact: Lei Wang 9853