Ceres::Problem添加残差块时，必须严格匹配AutoDiffCostFunction的模板参数：残差维数、参数块数量及各块维度需与CostFunctor的operator()签名完全一致，否则导致编译或运行错误。
ceres::Problem 添加残差块时，必须确保自动求导模板参数匹配
很多人在用 ceres::AutoDiffCostFunction 时编译报错，比如 no matching function for call to ‘ceres::Problem::AddResidualBlock’，根本原因是模板参数没对齐：残差维度、参数块数量、各参数块的维度三者必须和 CostFunctor 的 operator() 签名严格一致。
- 残差维度（比如 1）要等于
operator()(const T*, T*)中输出数组长度 - 每个
T*输入对应一个参数块，顺序必须和AddResidualBlock传入的变量顺序完全一致 - 如果某个参数块是 3 维向量，
new ceres::AutoDiffCostFunction<mycost></mycost>才对；写成..., 1, 4>就会触发运行时段错误（而非编译错误） - 别在 CostFunctor 里用
std::vector或动态内存 ——T是double或Jet类型，不支持构造函数调用
ceres::Solver::Options 设置不当导致优化卡死或不收敛
max_num_iterations 默认是 50，看起来够用，但实际中常因初始值太差或代价函数病态而早停；更隐蔽的问题是 linear_solver_type 选错 —— 比如小规模问题（参数 SPARSE_NORMAL_CHOLESKY，反而比 DENSE_QR 慢几倍且内存暴涨。
- 先试
options.linear_solver_type = ceres::DENSE_QR，尤其参数少、残差多时 - 把
options.minimizer_progress_to_stdout = true打开，实时看每次迭代的 cost 下降和梯度模长，判断是否真在收敛 -
options.function_tolerance = 1e-6和options.gradient_tolerance = 1e-10不要盲目调小，容易陷入数值噪声 - 如果优化中途报
LINE_SEARCH_FAILURE，大概率是目标函数不光滑或 Jacobian 计算有误，不是调参能解决的
传入 ceres::Problem 的参数内存必须全程有效
常见崩溃是 Segmentation fault (core dumped)，发生在 solver.Solve() 过程中，原因往往是传给 AddParameterBlock 的指针在优化期间被释放或移动了 —— Ceres 不拷贝你传的内存，只存指针。
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
- 所有参数变量（比如
double x[4]、std::vector<double> params</double>）必须在solver.Solve()返回前保持 alive - 别把局部数组地址传进去：
double p[7]; problem.AddParameterBlock(p, 7);—— 函数返回后 p 就失效了 - 用
std::vector时，确保它不发生 realloc：要么 reserve 足够空间，要么用params.data()前确认 vector 生命周期覆盖整个优化过程 - 如果参数来自类成员，注意对象不能在优化中途析构
ceres::CostFunction 自定义时，手动求导比自动求导快但难 debug
当优化速度成为瓶颈（比如每帧都要跑），ceres::NumericDiffCostFunction 太慢，AutoDiffCostFunction 又因模板展开导致编译慢或报错，这时手写 ceres::SizedCostFunction + Evaluate 是更稳的选择。
立即学习“C++免费学习笔记（深入）”；
- 手写 Jacobian 必须和残差计算逻辑完全同步 —— 改了公式却漏改导数，结果可能“收敛”到错误解，且无任何报错
- 用
options.check_gradients = true开启梯度校验（仅调试用），它会拿数值微分比对你写的解析 Jacobian，误差 >1e-6 就报警 - 别省略零元素：Jacobian 矩阵里某列全零，也要显式赋 0，否则未初始化内存参与计算
- 如果残差涉及三角函数或除法，手写导数时注意
cos(x)对x求导是-sin(x)，不是sin(x)—— 这种低级错误极难定位
最麻烦的永远不是怎么写，而是怎么验证你写的优化问题本身有没有建模错误。比如重投影误差里像素坐标没减去主点，或者旋转用了不一致的李代数表示 —— Ceres 再准也救不回来。
