AI协作时，如何避开浮点数比较的隐形陷阱？

一、 别让 AI 把你逼进“浮点数深渊”

在和大模型一起写代码的时候，你会不经意地敲出一句 if a == b:后来啊却被那颗看不见的“小精灵”——浮点误差——戏耍得哭笑不得。 换个赛道。 别慌，这里有一堆乱七八糟的经验碎片，帮你在 AI 协作时躲过这些隐形陷阱。

1.1 那些看不见的“噪声”到底是啥？

计算机用二进制表示实数，像 0.1 这种十进制小数根本就没有精确的二进制对应位。于是它们只能被近似成 0.10000000000000000555… 之类的鬼东西。于是：，搞起来。

a = 0.1 + 0.2
b = 0.3
print   # False，谁让它们不是同一个“原子”呢？

这就是所谓的「浮点误差」——它不是 bug，只是硬件和数学规则的特性，妥妥的！。

1.2 AI 给出的“完美答案”往往藏着细微偏差

绝绝子！ 当你让 ChatGPT、 Claude 或者国产的大模型帮你写 float_equal 时它们常常直接返回：

def float_equal:
    return abs 

可惜的是这种“一刀切”的 epsilon 并不适用于所有业务场景。比如金融结算里要到分（1e-2)， 还行。 而机器学习里可能容忍 1e-5。

二、AI 协作中的“漂移”怎么破？

漂移指的是模型在推理阶段遇到的数据分布和训练阶段不一致。这种情况下即使你的浮点比较写得再稳， 对吧？ 也会被数据本身的噪声搞得晕头转向。