本期《LaunchBox》邀请到了Charmve：一位横跨自动驾驶、计算机视觉、AI 量化交易等多个领域的资深技术从业者。他现任自动驾驶独角兽企业高级算法工程师，深耕开源领域已有七八年时间，同时也在运营多款高人气开源项目、技术博客与 AI 社群，是典型的斜杠技术人。接下来，让我们一同走进他的技术世界，了解他的从业经历、开源心得与行业思考。

跨界探索，开源与主业并行发展

大家好，我叫Charmve。如果用标签定义自己，我可以是一名“斜杠青年”或者“六边形战士”。我的技术之路从开源项目起步，步入职场后，先后在两家自动驾驶企业从事研发工作。开源与自动驾驶，是贯穿我职业生涯的两大核心关键词。

目前，我任职于自动驾驶独角兽企业，担任高级算法工程师，主攻自动驾驶感知模型方向。工作之余，我同步维护开源项目、撰写技术博客，三件事相辅相成、并行推进。我的技术内容创作已有多年积累，内容平台覆盖 CSDN、知乎、微信公众号，同时我还运营着迈微AI社群平台，持续输出技术文章与视频内容。所有创作内容均源自一线项目实践，而这些内容又进一步反哺开源项目的开发与迭代。

最初做内容创作时，我围绕技术产出搭建配套工具链，目标是高效产出前沿、高质量的技术内容。依托积累的内容，我打造了首个出圈开源项目L0CV（Computer Vision in Action），这是一套计算机视觉实战学习项目，目前项目标星量已达2.9K。此后，我又结合行业前沿趋势，推出以BEV + OCC自动驾驶感知、占据栅格网络算法为核心的线上闭环学习课程。

在技术探索过程中，我长期扎根机器学习与计算机视觉领域，也曾深耕工业表面缺陷检测方向。该领域发展最大的瓶颈在于数据集稀缺，无论是模型训练、效果测试，还是技术落地，都受限于数据资源。为此，我牵头搭建共享社群，联合学术界与工业界从业者共建、维护数据集，打造出业内首个垂直领域工业表面缺陷检测数据集开源项目。

2023 年，我将自动驾驶感知的技术思路迁移至 AI 量化交易领域，开发出自动化交易引擎项目Qbot。项目上线后收获广泛关注，如今标星量达到 17-18K，接近两万。

跨界初心：以沉淀立身，以传播赋能

我的技术探索始终围绕两大核心领域展开：自动驾驶与量化交易，而计算机视觉则是支撑自动驾驶工作的核心技术。支撑我一路前行的根本初心，总结为四个字：沉淀、传播。

对内而言，沉淀是自我提升的必经之路。我习惯在学习与工作中梳理知识、总结经验，不断夯实自身的技术能力。对外而言，传播则包含三层意义：其一，为技术初学者分享知识、传道解惑；其二，借助内容与开源项目，拓展个人行业影响力；其三，依托技术成果开展商业化尝试。我推出的系列技术课程、基于多模态大模型打造的虚拟主播（Vtuber）项目、AI驱动的量化交易机器人Qbot，都是技术落地商业化的实践探索。多重目标相互推动，让我在多个技术领域持续探索前行。

身兼企业工程师、开源开发者、技术博主、社群运营者等多重身份，这段经历也带给我诸多收获与思考。最开始输出内容时，我并没有刻意关联开源，初衷仅仅是梳理知识。我推出《机器学习算法讲解及Python实现》系列专栏，发布在各大内容平台，就像上学时整理课堂笔记一样。这个过程不仅能帮我理清知识脉络，也能让读者用更通俗的方式理解技术内容。

专栏收获良好反响后，我萌生了搭建专业学习平台的想法。2020 年，我参考斯坦福经典课程CS231n，打造了 L0CV 项目。项目将理论知识点与可运行代码、实操环境一一对应，弥补了纯理论内容缺少实战练习的短板，形成 “原理 + 实践” 的完整学习体系，这也成为我开源之路的重要起点。

AI 重塑研发模式，自动驾驶前路仍远

当下 AI 技术全面渗透自动驾驶、工业视觉、量化金融等各行各业，作为一线从业者，我深切感受到人工智能带来的巨大变革，如今行业已然从互联网时代迈入人工智能时代。结合工作与生活，我分享一下自己的看法。

从工作角度来看，大模型显著提升了研发全流程的效率与准确率。以往制作技术课程、落地算法、清洗数据、搭建业务流程等工作，如今都能借助 AI 高效完成。同时，AI 也革新了学习模式：传统学习以静态理论、代码交互为主，而依托大模型可以实现个性化学习，系统能根据学习者的知识掌握情况，灵活拓展知识点、串联关联内容，大幅优化学习体验。

从生活角度来看，我搭建了多个 AI 智能助手（Agent），分担日常工作与生活事务，充当我的工作替身。这样的体验，在几年前是难以想象的。

聚焦我深耕的自动驾驶行业，目前行业业务主要分为两大板块：一是面向民用乘用车的L2 + 辅助驾驶，也是普通车主日常使用最多的功能；二是面向专用场景的L4 高阶自动驾驶，应用场景涵盖干线物流车、Robotaxi、自动驾驶小巴、作业割草机等。

自动驾驶的终极目标，是让车辆在 L4、L5 级别下实现全场景自主运行。受技术限制，现阶段行业选择分阶段、分场景逐步落地。对比 2015、2017 年行业发展初期，如今自动驾驶技术能力已经实现质的飞跃，高架通行、城市 NOA、自动泊车、AEB 等功能日趋成熟，既提升了驾驶便利性，也强化了复杂场景下的行车安全。但客观来说，距离实现真正意义上的完全自动驾驶，我们还有很长的路要走。

放眼 2026 年，物理 AI（指能够执行通常与智能生物体相关任务的实体系统）将成为行业核心发展趋势。技术研发重心，会从成熟的虚拟场景 AI，逐步转向真实物理场景的 AI 落地，这也是攻克高阶自动驾驶的核心方向。目前，世界模型、VLA 是业内落地物理 AI 的主流技术路线，但依靠现有技术实现完全自动驾驶，依旧任重道远。

纵观全行业，各类智能化落地项目层出不穷。以大模型、多模态模型、大语言模型为核心的 AI 技术，在不同行业落地存在共通规律。精准定义问题是落地的第一步：明确模型的输入要求、核心目标与执行逻辑，再结合 AI 的运行模式，调整原有业务流程与工作机制，这套方法论适用于所有行业。项目落地后的验证环节逻辑也基本一致，仅会根据不同业务场景，调整对应的验证方式与评判标准。

从自用需求出发，打造实用技术工具

我打造的开源项目覆盖金融、自动驾驶、工业检测、数字人等多个领域，累计收获3万以上 star。接下来我重点介绍两款核心项目，并分享我做开源的初心与历程。

（一）L0CV 与 BEV+OCC 系列学习项目

L0CV（Computer Vision in Action）是一套闭环式、可在线交互的计算机视觉学习课程。课程从机器学习、深度学习基础原理讲起，搭配完整的算法代码与实战案例，打造从理论到落地的全栈学习体系。

计算机视觉基础原理是行业从业者的核心根基。即便未来通用人工智能（AGI）全面普及，这类基础知识依然是 AI 模型迭代优化的重要基础。目前市面上不乏微软课程、李宏毅、李沐等名师的深度学习课程，这类课程知识体系全面、内容专业深入，但普遍存在环境搭建复杂、入门门槛高的问题。而 L0CV 采用容器化架构，具备可扩展特性，用户可以快速搭建运行环境，有效降低初学者的入门难度，目前项目标星量为 2.9K。

BEV+OCC 课程与 L0CV 属于同一系列，内容聚焦自动驾驶前沿感知算法。BEV 于 2022 年由特斯拉推出，2023 年 OCC 技术正式亮相，二者是 VLA 技术诞生之前，自动驾驶领域主流的感知解决方案。即便在当下的 VLA 技术体系中，视觉表征依然需要依托 BEV、占据栅格 3D 表达形式，因此这套课程是自动驾驶从业者的重要学习内容。

（二）Qbot AI 量化交易引擎

Qbot 是一套全流程 AI 量化交易引擎。我本人有两年手动交易经验，期间也曾出现亏损。在工作中，我们会采集车辆实景数据，回灌系统验证感知算法的检测精度、延迟、召回率等指标，通过闭环迭代完成算法升级。这套研发逻辑，让我萌生了打造量化交易引擎的想法。

量化交易拥有完整、规范的历史行情数据，研发核心是设计有效的交易算法。算法根据历史数据与实时行情，输出买入、卖出、持仓三种决策，这套逻辑和自动驾驶端到端模型高度相似：自动驾驶系统采集雷达、相机、定位、地图等环境数据，通过算法输出方向盘角度、加减速等车辆控制指令。

基于相通的算法逻辑，我搭建了 Qbot 全流程架构：完成数据输入、清洗、分类，设计交易智能体（Agent），形成完整闭环。系统会不断根据运行数据迭代优化智能体，提升交易能力。和自动驾驶的目标一致，量化交易的核心也是持续优化效果 —— 自动驾驶追求降低事故率、提升通行效率与乘坐舒适度，量化交易则追求更高的胜率与收益率。

整套交易引擎集成了回测、模拟交易、实盘接入三大核心能力。开发者可以利用历史数据训练交易算法，通过 1 个月、1 个季度、数年等不同时间维度做回测，综合评判算法的胜率与回撤表现，筛选最优方案。

在策略研发上，项目支持两种优化路径：一是因子挖掘，快速筛选有效的交易因子，搭建交易策略；二是依托深度学习、强化学习模型，让智能体通过海量数据自主学习迭代，持续提升交易能力。两种方式协同，优化交易表现。

开源项目如何活下来：运营与商业化的平衡

如今很多开源项目更新中断、草草收尾，而我的多个项目能够持续迭代、长期运营。在我看来，能够解决真实的共性问题，是开源项目长久存活的核心。

我开发项目的初衷，大多是为了解决自身遇到的实际问题。以 Qbot 为例，此前我使用过多款付费量化交易工具，这类产品不仅收费高昂，自定义权限也十分有限。于是我尝试以大模型 “输入 - 输出” 的黑盒范式为思路，自主开发交易工具。这套解决方案落地后，也契合了大量从业者的需求，收获了众多用户的支持与参与，项目得以从 2023 年持续迭代至今。

L0CV 项目的诞生，同样源于自我学习的需求。整理知识点、输出内容的过程，是检验自身掌握程度的有效方式。如果能把复杂知识点用通俗的语言讲解清楚，就代表真正吃透了内容。写作与开源，本质上也是我自我提升的一种手段。

我在 GitHub 上共有三四十个代码仓库，其中一部分仅用于存储开发脚本、工具与个人备份。真正脱颖而出、持续运营的项目，无一不是精准击中行业共性痛点。先解决自身问题，再辐射同类人群，这是开源项目保持生命力的关键。

在多年开源实践中，我也一直在探索开源、商业化与个人职业发展三者的关系。我通常会采用 “广撒网” 的模式：项目完成 60% 至 80% 开发进度后便对外开源，不做主动推广，根据社群关注度筛选优质项目重点运营。目前 Qbot、工业表面缺陷检测数据集、计算机视觉学习项目、面试指北等项目，因为精准定位特定人群需求，成为主力运营项目。而视频抠图插件、虚拟主播等项目，虽然需求明确，但现有解决方案仍有不足，目前还在持续探索优化。

在商业化落地方面，我做了两类尝试。第一类是课程培训，依托 BEV+OCC 等技术课程，采用社群共建的模式运营；第二类是 “开源基础版 + VIP 付费版” 的双模式，以 Qbot 为例，基础功能完全开源免费，面向大众用户；高阶功能、定制化服务则整合为付费 VIP 版本，满足差异化需求，实现开源项目的商业闭环。

对我个人而言，开源的核心价值不在于短期变现，而在于长期成长。一方面，创作与开发的过程，能不断加深我对技术的理解；另一方面，开源让我结识了行业内众多同行、投资人与技术前辈，不同的思维碰撞会带来新的启发，潜移默化地拓宽视野与格局。

在此基础上，我们也衍生出更多商业模式思路。比如 Qbot 拥有数千个交易因子，但多数因子无法长期生效。因此我们的核心目标，不是单纯分享现成因子，而是借助工具帮助用户掌握因子挖掘能力。人类凭借过往经验，在因子组合、权重调整上具备算法短期难以超越的优势。

基于此，我们计划搭建社区共建体系，鼓励用户挖掘、组合优质因子，并探索因子共享、付费使用等运营模式，推动项目生态持续生长。

入行建议：夯实基础，适配 AI 时代工作模式

结合多年从业经验，我给想要入行 AI、自动驾驶及相关领域的新人两点核心建议。

第一，重视底层基础知识，切勿过度依赖 AI 工具。如今大模型可以协助完成代码编写、流程拆解等大量工作，但面对复杂系统，AI 的拆解、验证能力仍有局限。举个例子，即便让大模型梳理造火箭的完整流程，最终拆解到最小单元时，依旧需要从业者依靠专业知识完成验证、调试与拼接。如果缺少底层技术功底，就无法判断 AI 输出内容的合理性，也难以完成复杂项目落地。无论技术如何迭代，扎实的基础知识都是技术人的立身之本。

第二，转变思维，适应大模型时代的全新工作模式。当下 “大模型工程（LLM Engineering）” 成为主流方向，我们的工作重心不再是从零搭建整套系统，而是在给大模型赋能，让大模型能够发挥它更大的价值。这个过程其实是对于大模型的接口、工作范式、Skill、能力扩充、记忆力、上下文、可搜索能力、工具使用调度的能力的提升，这些都是全新的工作模式，核心都是要让模型能力变得更强大。作为个人，需要做的就是主动适配新的工作范式，紧跟行业发展节奏，我认为这就够了。

应对技术焦虑：解决问题比追逐风口更重要

当下技术热点迭代速度极快，新概念、新框架层出不穷，不少技术人陷入技术焦虑。结合跨领域从业经历，我认为可以从两个方面调整心态与发展方向。

首先，以 “解决实际问题” 为核心，锤炼核心能力。技术只是工具，前沿框架与新概念最终都要服务于业务。不必盲目追逐每一个风口，不同场景可以选择适配的技术方案。只要拥有过硬的问题解决能力，就不会被技术迭代所淘汰。

其次，理性看待前沿技术，保持好奇心与持续学习的态度。我们要主动拥抱新技术、新趋势，但不必追求做到面面精通。学习时重点把握技术的核心原理与底层方法论，判断技术能否迁移到自身业务中。同时保持对新鲜事物的热情，持续关注行业动态。当一项技术成为全民热点时，往往已经不再是蓝海，而长期的积累与准备，才能让我们抓住潜在机遇。

一路走来，我从未刻意追逐风口，而是从解决自身问题出发，在开放共享中探寻技术人的长期价值。

技术浪潮瞬息万变，但万变不离其宗。我觉得对于行走在技术道路上的每一个人而言，解决真实问题的能力，永远是立足行业的核心锚点。

=故事征集=

《LaunchBox》是程序员客栈推出的技术项目孵化平台，致力于为全球顶尖技术创业者与极客开发者提供项目展示、推广与孵化服务。无论您的项目专注于AI、区块链、开源技术，还是其他颠覆性创新领域，LaunchBox都欢迎在此首发。

欢迎大家推荐朋友或自己来参加我们的节目，分享与对话是一件利他又利己的事。主持人木木微信：s15139。