使用 codex 进行自动研究：我是如何实现 232 倍更快内核的

一位开发者使用 Codex 和 Claude 等大模型对 Jellyfin 的树莓派 FFmpeg 内核进行自动研究与性能调优，定位并修复了 C# 实现中缺失的关键优化，实现了约 232 倍的内核速度提升。相比“让 AI 写代码”，这更值得关注的是“让 AI 做研究”的工作流已经能产生实际项目贡献。

一句话看懂：一位开发者使用 Codex 和 Claude 等大模型对 Jellyfin 的树莓派 FFmpeg 内核进行自动研究与性能调优，定位并修复了 C# 实现中缺失的关键优化，实现了约 232 倍的内核速度提升。相比“让 AI 写代码”，这更值得关注的是“让 AI 做研究”的工作流已经能产生实际项目贡献。

事件核心：发生了什么

该开发者将大模型视为“约束求解器”而非简单代码生成器：给出明确目标、可验证的正确性约束，然后让模型在自动迭代中不断修正路径。在实际案例中，他让 Claude 对比同一项目的 C#/.NET 与 C++ 实现，模型很快指出 C# 库缺少了几项在 C++ 版本中相对廉价的优化。进一步对比发现，Rust 版本包含该优化，而更流行的 Tokio/Prost 库反而没有。相关代码已分别发布为 jellyfin-rpi-ffmpeg 及其与原生 Jellyfin 配合使用的 <a href="https://github.com/poizan42/jellyfin-rpi-