Kaggle能用ai吗(没打过看过想问问)？

首先你用AI只要你不说，没人知道。

所以：我的回答是可以，但是没必要

这要得分两个层面聊

我先给你分享几个ai打kaggle的研究，这个24年就有了：

AutoKaggle，2024年10月发布的。这个系统设计了五个专门的AI agent：Reader负责读题和理解数据，Planner做整体规划，Developer写代码，Reviewer审查代码质量，Summarizer总结经验教训。这五个agent配合起来，能完整走完一个Kaggle竞赛的全流程。

论文我不给你贴了，我直接给你贴github

他们在8个精心挑选的Kaggle竞赛上测试，平均完成率83.8%，平均排名能到42.8%。听起来好像不算特别牛？但要知道这是完全自动化的，人类一点不插手。

还有一个Agent K，2024年11月的工作。这个系统在81个不同的Kaggle任务上学习，最后拿到了1694的Elo-MMR分数。这个分数什么概念？超过了Kaggle Masters（全球前2%的那批人）的中位数水平。

这个我没找到代码，只有论文：

成绩单更夸张6金3银7铜的表现水平，其中有4金4银是在有奖金的正式竞赛里拿的。论文里说Agent K是第一个成功整合了Kolb和Vygotsky那套人类认知学习理论的AI系统，听起来挺玄学。

上面的不是重点，重点是：你为什么要打Kaggle？

大部分人打Kaggle不是为了拿奖金（那点钱也不够塞牙缝），而是为了学东西。数据清洗怎么做、特征工程怎么搞、模型调参的感觉、过拟合怎么处理——这些东西你得自己趟过一遍才能真正掌握。

让AI帮你打比赛，就像让别人帮你健身一样荒谬。肌肉长在别人身上，你还是那个弱鸡。

而且面试这关你根本过不去。面试官问你"这个特征为什么这么处理"、"当时遇到过拟合你怎么解决的"、"为什么选LightGBM而不是XGBoost"，你能答得上来吗？答不上来立马露馅，简历上写的那些项目经验瞬间变成笑话。

Kaggle的真正价值

Kaggle竞赛封装了数据科学家日常工作的核心：理解业务问题、探索数据、构建特征、训练模型、优化性能。这整套思维方式和工作流程，是你在实际工作中天天要用的。

你在Kaggle上踩过的坑、试过的方法、积累的知识才是真正的财富。看到一个数据集你能大概判断出该用什么模型，看到一个排行榜的提升曲线你能猜到别人可能用了什么技巧——这种sense是AI教不会你的。

尤其是讨论区里那些大佬分享的经验、Notebooks里别人的代码思路、你自己试了一百种方案最后发现最简单的反而最有效——这些才是学习的过程。

最后我再给你屡一下上面2个研究的具体比赛你就知道了

AutoKaggle 测试的8个比赛：

基于论文附录B的详细信息，AutoKaggle选择了8个Kaggle比赛：

Classic Kaggle（2023年10月前开始的经典比赛）：

1. Titanic - 分类任务，中等难度，13,994支队伍
2. Spaceship Titanic - 分类任务，简单难度，1,720支队伍
3. House Prices - 回归任务，中等难度，4,383支队伍
4. Ghouls, Goblins, and Ghosts (Monsters) - 分类任务，简单难度，763支队伍

Recent Kaggle（2024年及以后开始的比赛）：

1. Academic Success - 回归任务，中等难度，2,684支队伍
2. Bank Churn - 回归任务，简单难度，3,632支队伍
3. Obesity Risk - 分类任务，简单难度，3,587支队伍
4. Steel Plate Defect - 回归任务，中等难度，2,199支队伍

说的难听一点都是最基础的任务，狗都不看，而且像Titanic 基本就是ML的hello world，分享的人很多，llm能拿高分肯定是训练集里面有代码。

然后就是Agent K

论文提到它在81个任务上进行了学习和测试，但论文中没有列出这81个比赛的完整清单。

所以我估计有很多的是结束的任务，并且任务结束后大佬本都会分享自己的思路和代码，这其实是一种数据泄露，有名字也算正常，但是他的思路我是肯定的，多agent写作应该值得我们学习。

最后

我觉得AI辅助能提高效率，但想真正学会数据科学、在面试和实际工作中站得住脚，还得自己动手练。

• 自动化重复性工作（数据清洗、编码转换）
• 快速生成baseline代码
• 做初步的数据分析和可视化
• 提供一些调参建议

AI做这些应该都没问题，关键是你自己必须理解问题本质和业务背景、做关键的特征工程决策，这才是关键，