他们是来自山西大学的「登媏郎队」，从前期定位通信瓶颈、用小样本快速筛选优化方案，到后期跳出热点思维转向非核心区域挖潜，再到全程借助 AI Agent 提升大型代码工程的推进效率，走出了一条兼具技术思考与工具思辨的参赛路径。 今天我们复盘这支队伍的参赛全程，看他们如何在代码、工具与认知的三重迭代中，找到属于自己的优化节奏。

面对体量庞大的 ROMS-CoSiNE 物理 — 生态耦合模式，团队的优化从 “看清瓶颈” 开始。

备赛初期，团队首先通过性能画像（Profile）定位核心瓶颈 —— 通信。随后深入拆解热点函数相关的通信逻辑，挖掘出多个关键优化突破点：比如点对点通信优化、通过分级通信机制避免跨节点通信开销等，从通信架构层面压缩整体耗时。

面对大量可能的优化方向，团队没有逐一做全量验证，而是摸索出了一套「小样本试行 + 阈值筛选 + 全量验证」的分级推进策略： 先对所有候选方案用小样本快速试运行，只把优化幅度达到 2% 以上的方案挑出来，再投入资源做完整的全量运行验证。 这种方式既保证了探索的广度，又避免了把时间浪费在收益微弱的方案上，让有限的算力和时间都用在刀刃上。

线下总决赛的上机过程，也是团队对 “优化” 这件事认知刷新的过程。这次赛事让他们深刻体会到：优化热点函数，不一定能带来全局最优，甚至可能带来整体退化。

优化后期，团队曾十几次针对排名前三的热点函数集中攻坚，但反复实验后发现：要么改动后代码出现不同程度的性能回退，要么局部函数确实变快了，却带来了更大的启动开销与额外负载，最终全局不升反降。

当大多数人还在死磕热点的时候，团队做出了一个关键转向：放弃对前三热点函数的过度纠缠，转而向非前三热点的区域探索，在这些容易被忽略的地方稳步推进小幅优化。 积少成多的收益，反而比死磕热点的投入产出比更高。这次经历也印证了高性能计算优化的一个真相：不能只盯着局部耗时占比，全局的链路平衡、开销联动，往往比单点热点更决定最终上限。

和很多队伍赛前就定稿答辩内容不同，登媏郎队的答辩 PPT，是在决赛当天上机完全结束后才最终完成的。他们把现场上机的真实踩坑、实测体会与最新结论，全部补充进了答辩内容，让整场汇报不止是赛前方案的展示，更是完整参赛过程的真诚复盘。

为了把技术细节讲透，团队还借助大语言模型辅助复盘，对优化过程中提升显著的部分做深入拆解，同时通过队友间互相提问、交叉验证的方式，打磨对每一个技术细节的理解。

由于是团队成员第一次站上总决赛答辩台，他们提前预判了评委可能提出的问题，并专门向指导老师请教答辩的注意事项与表达逻辑。从内容到表达的双重准备，让这支首次晋级总决赛的队伍，在答辩台上交出了扎实而从容的答卷。

完整走完全程，团队最大的收获不止于代码性能的提升，更在于沉淀了关于工具、关于组队的两点深度思考，非常值得后续参赛者参考。

这是本次比赛团队最深刻的体会之一。面对超大型 Fortran 工程代码，人工逐行通读效率极低，对代码整体架构的快速理解能力，远不及 AI Agent；大规模的代码改写与方案探索，AI 同样可以高效完成。用好 AI 工具，能极大提升大型工程代码的优化推进效率。

但团队更强调：要做 AI 的操作者，不要让工具反过来主导你。 必须提前制定实验规范与边界准则，明确哪些可以改、哪些不能动；每一轮 AI 输出的结果，都必须严格做好验证与审查。AI 一天可以产出很多版本的代码，对应的人工审查工作量也会急剧增加。如何与 AI 打好配合、守住正确性底线，是这个时代每个参赛选手都必须修炼的能力。

团队也真切感受到不同学科背景对计算问题的认知差异。他们建议：涉及计算机的工程与赛事中，至少要有计算机相关背景的成员参与代码分析；但也不能全是计算机背景的人 —— 如果只盯着代码本身，缺少对物理场景、海洋模式本身的理解，优化很容易偏离问题本质，陷入 “为快而快” 的误区。

代码是工具，场景是根基，两者结合才能做出真正有价值的优化。

对登媏郎队而言，这次比赛的最终成绩，是每一次试错、每一次转向、每一次工具迭代共同堆砌出来的结果。而比成绩更珍贵的，是那些反常识的经验、对工具边界的思考，以及对科学计算优化更立体的认知。

正如团队对赛事的寄语那般：祝愿 MCC 赛事在海洋计算领域愈发成功，也愿每一支参赛队伍最终交付的不只是更快的程序，更是经得起复现与检验的成果与经验。

真实的问题，永远比标准答案更有价值；而赛场的意义，正在于让每一个参与者，都能在实践中刷新自己的认知边界。