OpenClaw手记第二季(五)被遗忘两年的Copilot,如何把我带进代理式编程

我其实早在 2024 年就买了 Copilot Pro。那会儿 AI 编程助手刚起势，“美式城墙”还没筑牢，我几乎没费什么劲就付了 100 刀年费。可惜当时的我，对“氛围式编程”、“代理式编程”几乎没有概念，简单试了几次代码补全就把它抛在脑后，连自己有会员这件事都忘了。

今年年初，借着“龙虾造势”的热度，我打算正式摸一摸“暗黑三魔”。结果处处碰壁，心态一路下滑。绝望之际我又打开了 VS Code：我靠，这 Copilot 怎么像开了挂，GPT、Gemini、Opus 居然都能用。再顺藤摸瓜一看：我居然一直是 Pro。白白吃了两年会员灰。

坏消息是浪费了时间和额度；好消息是我几乎无障碍地把这些“稀罕物”重新捡了起来。寒暄、试探几轮后，我很快碰到一个现实问题：总得干点实事。做什么？正好，我手里有个拖了很久的“烂尾需求”。

一个听起来简单、做起来要命的需求

我每周基本踢一次足球，有时会带运动相机录完整场视频。如果不忙，我会把进球片段截出来发群里。

这事听着容易，做起来极其耗命。整段录像通常两小时左右。要把进球都截出来，我得几乎完整看一遍：找到事件时刻、反复拖拽确定每段起止、再进剪辑软件逐段导出。经常四小时都搞不完。

我不擅长剪辑软件，所以长期采用“土法”：

• 看视频，记时间戳 

• 把每段起止写进文本 

• 用 ffmpeg命令批量截取和压缩

笨，但可控。可是我懒啊。

我把事情想得太美好

我当时对 Copilot 说得非常豪迈：“我要写一个软件，从足球录像中提取进球片段，开始吧！”

在“龙虾编程一统江湖”的叙事惯性里，我觉得这个需求应该秒解。Copilot 也确实很快：几套方案摆上来，我挑一套，它立刻开工。侧边栏里新文件狂闪，对话框里进度记录不停滚动，视觉冲击力拉满。没多久它就说：程序完成了，给个样本试试。

我马上丢了一段 10 分钟录像，像苍蝇一样搓着双手，兴奋等结果。然后，当头一棒：它不知道我要什么，我也看不懂它在干嘛。

复盘下来，失败主要有三点：

1. 场地和机位都不标准，我的“野场视角”与它理解的“标准球场”差太远；它对“进球事件”本身也没有稳定定义。

2. 背景杂乱。即使我提示“先识别球门”，它也会盯上背景里更显眼的柱子，而不是真球门。

3. 足球追踪太难。球速度快、频繁被遮挡、画面里人也一直在动，算法很容易躺平。

插图：非标准场地，不规则视角，杂乱背景；黄色文字为球门四角的标注

真正的转折：不是更聪明，而是更务实

翻车之后，我终于意识到：“用 AI 写代码”和“让代码拥有 AI 能力”，是两件完全不同的事。

氛围式也好、代理式也好，它们最擅长的是按你的要求快速产出“能运行”的程序，把语法错误和低级报错压到最少。但“能跑”不等于“好用”，更不等于“有效”。真正的效果——尤其是涉及识别、判断、鲁棒性这些稍带智能属性的部分——最终还是要由人定义边界、设计验证、反复校正。

于是我把问题拆成三件可执行的事：

1）让程序先知道“足球”是什么

Copilot 说要几百个标注样本。这听着吓人，做起来却没那么难：录像素材我本来就很多。它先抽帧，再写了一个快速标注脚本；我只负责把每张图里的足球点出来。这个我一直回避的活，十几分钟就完成了。后面的 YOLOv8 训练属于标准流程，程序总算学会“找球”。

2）让程序知道球门在哪

这一步反而更简单。同一段录像里机位基本固定，球门位置几乎不变。每次运行前只截一张图，我手工标记球门四个顶点即可。标注顺序固定后，程序还能推导球门线、底线信息。

3）重写“关键时刻”的定义

我最初定义是：检测到运动中的足球穿过球门线或底线。理论很严谨，实战很糟糕——球太快、二维投影有误差、再叠加遮挡，漏检和误判都高。

最后我放宽标准：在图像平面上定义一个覆盖球门的矩形区域，只要持续运动中的足球进入该区域，就记“关键时刻”；相邻关键时刻合并成“关键事件”；前后各扩一段时间，形成最终切片。

一句话：不是更聪明，而是更务实。

结果：不完美，但非常有用

程序稳定后，数据很诚实：

• 进球几乎不漏，TP/(TP+FN)在 95% 以上 

• 上下半场双线程处理，约 40 分钟跑完 

• 输出时长约为原视频的 1/3，符合经验 

• 人工只需开跑前标一次球门，再花 20~30 分钟过片挑真进球

以前是 4 小时手工折腾。现在是 1.5 小时以内闭环，其中我真正参与不到 30 分钟。

它没有把我从流程里完全移除，但把我从最机械、最耗时、最容易走神的环节里解放了出来。

临门一脚：小项目带来的重新定位

• 人力：两周业余时间

• 花销：Copilot 当月额度约 40%，折合不超过 4 美元（约 30 元）