不碰核心代码、把7-Zip压缩速度提高97%：一个“外行”与 AI 的极致优化实验
点击查看原文>
近日，AI 孵化器语生科学内部完成了一项 7-Zip 优化实践。一名无编程背景的员工，仅凭一个关于压缩效率的改进设想，在 AI 辅助下完成了对开源压缩软件 7-Zip 的系统级性能调优。该优化版本已在 Windows 和 macOS 双平台通过真实业务文件测试，并已正式开源。
核心数据一览
这次优化带来的压缩速度提升最高达到 97.0%（具体发生在 macOS 平台的多文件归档场景）；文件体积最大可缩减 40.7%（针对日志类数据）。所有压缩结果的完整性验证通过率为 100%，且解码端无需任何改动，官方 7‑Zip 可直接解压。
优化思路：不碰核心，只改“路由”
7-Zip 的 LZMA2 算法压缩比极高，但缺陷在于对所有文件类型采用统一策略，无论文本、JSON 还是已压缩的多媒体，均消耗同等算力进行字典搜索，造成大量无效计算。
该员工与 AI 协作，梳理出一套“内容感知路由器”方案，核心包含三个动作：
第一，多级探测机制
• 文件头快速识别：如 JPEG 仅需读取前 2 字节 FFD8，开销可忽略；
• 抽样试压：对 ≥4MB 的文件，抽取首部 1MB 进行 LZMA2 快速试压，评估压缩比；
• 多点采样：对疑似已压缩多媒体文件（头部压缩比异常），补采中点和尾部各 1MB，执行 2-of-3 投票。
第二，十档路由策略
根据探测结果，将文件动态分配至 10 种不同的编码通道（包括 LZMA2 的不同参数档位、PPMd 等），实现“量体裁衣”。
第三，安全网与零扰动
• 试压选小者：任何通道切换前，均以 1MB 样本进行实际压缩对比，确保压缩率不退化；
• 容差护栏：若切换后体积增大，须控制增量 <2% 才放行；
• 分组隔离：优化后文件存放于独立文件夹，不影响其他文件；
• 解码端零改动：输出仍为标准 .7z 格式，官方 7-Zip 可直接解压；
• 门槛保护：<4MB 的小文件跳过探测，直接走默认路径，防止性能倒退。
三大优势，特定场景超过原生
散文/日志类数据：压缩率与速度双赢
在处理日志、合同文本、JSON 代码等强结构数据时，新方案速度快到飞起。Mac 平台下多文件归档提速 97.0%，散文文本提速 93.4%；Windows 下同类文件提速也普遍超 80%。同时，日志体积还额外缩减了 40.4%。
大型二进制文件：稳健提速
面对大型二进制文件，新方案在 Windows 和 Mac 上依然能获得 10% 至 18% 的压缩提速收益。
零侵入式改装
没有改动核心压缩算法的任何一行代码，所有变更集中在“分派层”。解码端无需任何改动，堪称 AI 改造基础软件的“低风险示范”。
压缩耗时对比：优化版（V18）vs 官方原版（Origin）
不过，客观来看，这并非一次毫无瑕疵的完美升级。优化后的版本选用了更复杂的编码通道，导致文本与日志类文件的解压耗时翻了 2 到 3 倍；前置探针在面对 5GB 以上的超大不可压文件时可能发生误判，使得压缩耗时明显飙升；部分大型二进制文件也微小牺牲了约 2% 的存储空间来换取速度。
此次实践并不意味着 AI 取代工程师。相反，它展示的是一种新的协作模式：工程师继续构建技术底座；AI 帮助更多人快速验证想法；业务一线的真实需求，可以更快转化为技术方案。
语生科学表示，改优化版本已经内部部署并开源（GitHub 仓库：https://github.com/sunmmer01/Optimization），公司一直持续探索 AI 在真实场景中的应用价值并鼓励员工利用 AI 解决实际问题，这不是为了替代专业能力，而是希望让更多人的经验、洞察和创造力能够通过 AI 被放大。
过去，技术创新往往意味着掌握复杂技术的人，才能改变系统。而 AI 正在带来新的可能，能发现问题、提出好问题的人，也可以参与创造新的技术方案。当 AI 从工具变成协作者，软件工程、产品创新乃至组织协作方式，都正在迎来新的变化。未来，决定创新速度的，不只是代码能力，更是人与 AI 共同解决问题的能力。
本文来源：InfoQ