thinszx

如果不是做底层编译的，python 甚至已经不能算首选了，而是唯一选择

用的是第二种方法，然后在 cursor 的 project rules 加一些说明，和 composer 沟通的时候通过 @project_dir 的方式表达需求，好像没有遇到过你说的问题，features 那个 tab 下面有一个 codebase indexing ，应该能看到索引的呀？

@ruidoBlanco 是从知识蒸馏过来的，这个概念比大模型出现的早得多，而且蒸馏和提炼本身也没啥差啊

首先我自己就是做无线感知的，非常惊讶居然能在 V2EX 看到有想做这个的...我可以告诉你这个想法的两个问题

1. CSI 的精度没有你想象的那么高，甚至你所谓的”泛化性问题“本身就已经是目前深度学习模型利用先验信息做到了突破信噪比极限的结果了。此外因为本身 CSI 对人体活动的解析是基于 doppler 来做的，还面临很多朝向性的问题，学术界的方案大部分是北大张大庆或者清华杨峥他们做的频谱搬移或者多设备联合，但即便如此 CSI 在面临多人的情况下做的还是不好，多人定位都经常出现漏人的情况，更不要提想要获取非常精准的骨骼信息了，如果你是觉得 mit dina katabi 做的很炫酷（嘻嘻她们做的都是基于自己的类似矢网的设备而且不开源:D ），那这个你就当小 demo 看看就好，定位倒是还可以做做

2. 假设，假设，CSI 本身的信道极限足够做到你说的分辨出骨骼一类的信息，在实际环境中你更应该考虑的问题是你到底能不能基于此完成所谓的”霸凌“分类，不管是 CSI 还是雷达，本质上检测都是动目标，如果一群人围着一个人一直语言输出那你这个玩意就是一摸瞎，而且 CSI 在动目标很多的情况下也会有速度模糊的界限，这个是 OFDM 速率决定的，你要想提高这一点那你用的功率和处理速度肯定不是普通树莓派能做到的，除非你不想做实时，另外就是大家做这个的时候很少会有做两个人挨得很近的情况，为啥呢？因为从 c=λf 你可以推出，f 越低 λ 越高，而 λ 越大就意味着距离模糊度越大，wifi 的 ofdm 中心频率一般就是 2.4GHz 和 5GHz ，我们平时做的毫米波雷达工作在 77GHz 也一般只能在 10cm 的范围内做距离的差异，其他的全靠深度学习模型的先验来补，在这种前提下 wifi 完全不适合霸凌的场景，人家的位置搞不好都是一个人骑在另一个人头上了，你用啥来分辨？你真想提高精度还不如看看 mmwave 的解决方案，但是我可以告诉你大部分还是 lab 下面比较有效，实际场景中定位已经有很多应用了，但是定位和姿态还原中间的 gap 不是一点两点...

综上所述，不知道楼主被谁忽悠了，但起码我觉得真的不可行...

@thinszx *刚试用 cursor 几天，少打了字

从 github copilot 还在内测的时候我就已经在用了，刚试用几天，真的觉得超好用啊，而且套壳 vs code 这件事我记得在官网就提到了吧，我现在真的已经一个月没打开 vs code 了，有推广费记得拉我，我确实觉得挺贵的，还没学生优惠，给我点推广费抵一下啊

支持一下

本人 211 本、华五硕在读，25 届的，研究生做的就是深度学习，今年找工作形势看，没有一两篇很好的文章，想在大厂拿个算法 offer 真的挺不容易的，而且大厂的算法也并不是想象的那样清闲，现在国内外公司的算法都在找落地，向应用靠齐，读个硕士出来可能只是从开发大头兵变成算法大头兵😫

本科信息安全，研究生网络空间安全，但其实我本科在鹅厂后台开发实习，研究生做毫米波雷达和深度学习，目前在看芯片相关工作，其实选什么都无所谓，你会发现学的跟计科都没啥区别，你想干啥就能去干啥