港大黄超教授5大避坑点，学生血泪总结

关于AI行业的港大黄超教授5大避坑点，学生血泪总结，其实就藏在DeepCode和nanobot这两个项目里。第一，论文复现的坑，关键实现细节总被省略——超参数取值范围、训练技巧调整、数据预处理步骤、网络初始化策略，这些细节一缺，理论跟实践之间就隔着天堑。黄超团队开源的DeepCode在PaperBench测试里首次赢了剑桥、伯克利等8所高校的机器学习博士，比Claude Code、Cursor还领先，在复现成功率和代码质量上都表现出众，这才叫真本事吧！

第二，别把Agent做得太重。OpenClaw发布时43万行代码，后来超100万行，黄超他们反其道而行，用最轻量化的方式开源了通用Agent nanobot，连续100天日更迭代，下载量破20万次，被DeepSeek推荐为全球15个Agent之一，还登上OpenRouter平台通用Agent榜单第四名。确实，轻量化才能跑得快，不是吗？而且轻量只是起点，他们下一步要用nanobot挑战更复杂的长尾任务呢。

第三，开源才是真捷径。nanobot选择开源，关注度远超预期，社区反馈让迭代速度飞起来。闭源搞封闭，怎么可能有这种生态？黄超团队的经验说明，开源不是割肉，而是放大价值。

第四，别让AI一味适应人。黄超在AIGC2026上说得挺清楚，Agent原生时代，该让世界适应Agent，而不是教AI做人。为Agent重新设计数字世界——这思路才是真正的突破点，对吗？这比起让Agent不停适应人，效率高多了。

第五，基础研究不能丢。黄超博士在Google Scholar上被引用超14500次，研究方向涵盖LLM、AI Agent、图机器学习，没有这些扎实的底子，DeepCode和nanobot哪能做得出来？基础研究才是创新的根。

可以说，这5大避坑点真的是学生用血泪换来的教训。港大黄超教授团队用实际项目证明了，避开这些坑，AI研究才能少走弯路。咱们做学问的，确实该多琢磨这些实在的经验。