大家好，我是鲁工。
很多年没有玩过Kagle和天池这类比赛了。自从LLM兴起之后，不管是传统机器学习还是深度学习CV这些赛道，我个人在这方面其实基本已经停止了探索。
作为从前LLM时代过来的人，现在再回看家里的这些书，多少有点恍如隔世之感。
这两天，因为工作需要，要从MICCAI 2026 Challenge上薅一些我们本赛道相关的数据集，顺带也把Grand Challenge上的一些比赛也扫了一遍。当然，这些都是咱们医学影像AI领域的竞赛，多少还有点专业门槛。
所以我又想起了Kaggle，这个作为数据挖掘与机器学习时代就流行的竞赛平台，在我之前的技术学习过程中，扮演了重要的角色。
之前2018年那会儿，我们都是古法编程来研究这些比赛和数据。现在Vibe Coding这么流行，我就想着，直接用Claude Code来帮我打比赛看看效果。
于是，我先让Claude Code到Kaggle上扫了一遍最近还活跃的比赛，让它根据我的研究背景，推荐几个适合我做的比赛。这里最好用Chrome MCP让它访问Kaggle竞赛页面，这样拿到的信息就是原始全文，而不是Webfetch那种LLM压缩过后的summary。
一顿推荐之后，我选了AMIA Public Challenge 2026这个比赛作为Claude Code试点。这个比赛是一个基于胸片影像的检测与分类项目，典型的医疗CV比赛，要求自动定位并分类胸部X光中的14种异常。
然后，我继续让它用Kaggle CLI把比赛数据集下载到本地，然后阅读该竞赛详情页，在Plan mode下直接出baseline方案：
然后我们可以大概review一下方案后直接执行。
代码写完之后，本地有卡的话直接本地开训，一个常规的Yolo v8s检测模型 + 一个EfficientNet-B0的分类模型，所以本身也不是特别大的训练量。
如果本地没卡到话，也可以直接拉到Kaggle的Notebook平台，它上面有两张T4显卡或者一张P100可以免费使用，等于白嫖的算力。
Kaggle Notebook两张T4训练：
提交结果与迭代
训练和推理完成后，我们就可以提交结果作为baseline分数，后续直接在该版本上不断迭代即可。
人工审查与自动化边界
作为一项算法竞赛，这类项目的代码量相较于全栈项目，要少很多。所以，如果是真心想要在这种比赛中取得名次、甚至是拿到奖金的话，还是需要全身心投入的，全部代码都要自己review一遍。这样你才能根据每一轮的提交分数，来指导Claude Code做下一轮的迭代优化。
当然，这个过程中有很多地方是可以高度自动化的。比如使用agent-browser来自动使用Kaggle Notebook跑Cell；设定好的目标分数，使用/goal来让Claude Code自己迭代优化涨点；自动扫描Code、Discussion、Leaderboard等模块，然后综合信息来优化等等。
这些，都特别适合有大把个人时间的在校生来做。所以，有时候真心羡慕现在的学生，只要你想学想实践，真的是有大把触手可及的锻炼机会。
本文首发于微信公众号「AI编程实验室」，阅读原文