这篇能做出什么
跟着走完，你会得到一套可复用的工作流：用自然语言把"想要的量子电路"描述清楚，让 Claude 生成 Qiskit 代码和优化方案，再用量子态内积和噪声仿真两条独立的证据链，验证优化真的成立——而不是听起来成立。
具体产物是三个文件和一个对照表：
circuits.py：参考电路 + 优化电路两个构造函数check.py：无噪声等价性校验 + 门数/深度统计noise.py：同一份电路在噪声模型下的测量分布对比- 一张三列对照表：参考版 / 去 SWAP 版 / transpile 优化版，各自的门数、CX 数、深度、与理想分布的 TVD
主线例子选的是 5 比特量子傅里叶变换（QFT）。理由很实际：它有明确的数学定义可以校验，有 SWAP 这类"结构性浪费"可以压缩，对噪声又足够敏感，能把"门数少一点、噪声下好一截"这件事演示出来。
一个重要的心态校准：Claude 在这里的角色是三个——把文字规格翻译成可运行代码的翻译器、帮你列出优化候选方案的头脑风暴伙伴、审阅你自己代码的评审员。它不负责证明优化正确。正确性由 Qiskit 的态矢仿真和测量统计给出。这个分工贯穿全文。
前置条件清单
环境
- Python 3.x，具体最低版本以 Qiskit 官方安装文档为准
- 能联网装包
- 一个空目录，用来放三个脚本
依赖
```bash
pip install qiskit qiskit-aer
```
包名与安装方式以 Qiskit 官方文档当前版本为准。Qiskit 在 1.0 之后调整过模块结构（例如 Aer 从 qiskit 移到独立的 qiskit-aer，顶层 execute() 被移除），照抄网上两年前的代码经常报 ImportError，遇到就按当前官方文档改。
概念
不需要量子计算背景，但这几个词要能对上号：比特（qubit）、叠加、纠缠、H 门（制造叠加）、CX 门（受控非，两比特门）、CP(θ) 门（受控相位，带角度参数）、电路深度（同一比特上必须串行执行的门层数）。深度比门数更贴近真实噪声表现：在相干时间有限的硬件上，深度直接决定退相干损失。
Claude 入口
网页版或 API 均可。本文的提示词不长，网页版够用。
分步骤
第 1 步：先跑通一个最小电路
装完包不要直接写大电路，先确认工具链正常。
```python
smoke_test.py
from qiskit import QuantumCircuit
qc = QuantumCircuit(2)
qc.h(0)
qc.cx(0, 1)
print(qc.draw())
print("depth:", qc.depth(), "size:", qc.size())
```
```bash
python smoke_test.py
```
能画出一个 H 加一个 CX、打印出深度 2，环境就没问题。很多后续的诡异报错其实在安装这一步就埋下了，先排除掉。
第 2 步：写一张"电路规格卡"交给 Claude
直接说"帮我写个 QFT"会得到一份能跑但难以核对的代码。约束写得越死，后面校验越省力。把下面这段贴给 Claude：
```text
你是一名量子电路工程师。请用 Qiskit 写一个 n 比特量子傅里叶变换（QFT）的参考实现。
约束：
1. 只使用 H、受控相位门 CP(theta)、SWAP 三类门，不要调用
qiskit.circuit.library 里现成的 QFT。
2. 函数签名固定为 build_qft(n: int = 5) -> QuantumCircuit，返回不含测量的电路。
3. 在文件顶部注释里写清楚比特序约定：q0 对应最高位还是最低位。
4. 每个 for 循环上方写一行注释，说明这一层在做什么。
额外输出（单独一节，不要混进代码）：
A. 你预计这个电路有多少个 CP 门、多少个 SWAP 门、多少个 CX
（假设一个 SWAP 展开成 3 个 CX）。
B. 列出你认为可以优化掉的门，以及去掉它们为什么不改变计算结果。
C. 列出你这个实现里最可能出错的三处地方。
```
最后那条 "列出最可能出错的三处地方" 值得每次都加。它经常能提前点出比特序、角度公式、全局相位这几类高频错误，省掉一轮调试。
第 3 步：落地参考实现，先把基线量化
把 Claude 给的代码整理成文件。下面是一份符合上述约定的参考实现，可以直接用：
```python
circuits.py
from math import pi
from qiskit import QuantumCircuit
比特序约定：q0 为最低位。电路末尾的 SWAP 用于把输出反序，
使测量结果的比特串按 q_{n-1}...q0 读取即为频域下标。
def build_qft_reference(n: int = 5) -> QuantumCircuit:
qc = QuantumCircuit(n, name="qft_ref")
for j in range(n):
qc.h(j)
把 j 与所有更高的比特做受控相位，角度随距离折半
for k in range(j + 1, n):
qc.cp(pi / 2 ** (k - j), k, j)
末尾反序
for i in range(n // 2):
qc.swap(i, n - 1 - i)
return qc
def build_qft_no_swap(n: int = 5) -> QuantumCircuit:
"""与参考版表示同一变换，但省掉末尾 SWAP，改由读取时反序比特。"""
qc = QuantumCircuit(n, name="qft_no_swap")
for j in range(n):
qc.h(j)
for k in range(j + 1, n):
qc.cp(pi / 2 ** (k - j), k, j)
return qc
```
接着写指标脚本。关键点是先把电路展开成基础门再统计，否则 depth() 会把 CP、SWAP 当成一个整体跳过去，数字会好看得离谱：
```python
check.py
from qiskit import transpile
from circuits import build_qft_reference, build_qft_no_swap
BASIS = ["h", "p", "cx"] # 接近真实硬件的门集，SWAP 会被展开成 3 个 CX
def report(qc, name, opt=0):
t = transpile(qc, basis_gates=BASIS, optimization_level=opt)
ops = dict(t.count_ops())
return {
"name": name,
"depth": t.depth(),
"size": t.size(),
"cx": int(ops.get("cx", 0)),
"ops": ops,
}
for qc, name in [(build_qft_reference(), "参考版"),
(build_qft_no_swap(), "去SWAP版")]:
print(report(qc, name))
```
示例运行会看到参考版 CX 数量在 26 上下（10 个 CP 门各展开成 2 个 CX，共 20；两个 SWAP 各展开成 3 个 CX，共 6），去 SWAP 版在 20 上下。具体数值随 Qiskit 版本和分解策略略有差异，以你自己跑出来的为准，重点是两者的差值是 6 个 CX——这就是反序的代价。
第 4 步：让 Claude 提优化，要求给出可验证的论证
把上一步的数字贴回给 Claude：
```text
下面是我实测的指标（basis = h/p/cx，optimization_level=0）：
参考版：depth=?, size=?, cx=?
去SWAP版：depth=?, size=?, cx=?
目标：在不改变电路所表示变换的前提下，进一步压缩门数和深度。
要求每个方案给出：
1. 具体改哪几行；
2. 预期减少多少 CX、深度大概降多少；
3. 代价是什么（需要经典后处理 / 需要额外比特 / 需要动态电路）；
4. 怎么用一句话验证它确实等价。
不要重复"去掉 SWAP"这个已知方案。
```
这一步的产出质量取决于你给的数据质量。只贴"帮我优化"得到的是泛泛之谈，贴了具体数字和约束，Claude 才可能提出诸如"把相邻同比特的相位门合并""调整 CP 门的施加顺序让无依赖的门并行"这类可落地的建议。
拿到建议后，先只实现你能自己复述出等价性理由的那一条。理解不了的优化别急着合进代码，容易从"少几个门"变成"少几个门但算错了"。
Qiskit 自带的两档 transpile 优化也顺手跑一下做对照：
```python
print(report(build_qft_reference(), "参考版-lv3", opt=3))
```
第 5 步：无噪声等价性校验
这一步是整个流程的核心。用一个独立的判据确认两个电路算的是同一件事——态矢内积：
```python
check.py 续
import numpy as np
from qiskit.quantum_info import Statevector
sv_ref = Statevector.from_instruction(build_qft_reference(5))
sv_new = Statevector.from_instruction(build_qft_no_swap(5)).reverse_qargs()
fidelity = abs(sv_ref.inner(sv_new)) ** 2
print("态矢保真度:", fidelity)
```
注意 .reverse_qargs()。去 SWAP 版的输出比特顺序和参考版相反，不翻转就比对，会得到一个接近 0 的保真度，然后你会开始怀疑电路写错了——其实只是没对齐下标。这是这套流程里最容易踩的一脚。
输出接近 1.0（比如 0.9999999）就说明两个电路在无噪声下表示同一个态。内积取模方是为了消掉全局相位，全局相位不影响任何测量结果。
第 6 步：加噪声，看真实收益
无噪声下两者等价，那优化到底赚了什么？靠噪声仿真回答。
```python
noise.py
import numpy as np
from qiskit import transpile
from qiskit.quantum_info import Statevector
from qiskit_aer import AerSimulator
from qiskit_aer.noise import NoiseModel, depolarizing_error
from circuits import build_qft_reference, build_qft_no_swap
BASIS = ["h", "p", "cx"]
def build_noise_model(p1=5e-4, p2=5e-3):
nm = NoiseModel()
门名必须与 transpile 之后的电路一致，否则噪声不会生效
nm.add_all_qubit_quantum_error(depolarizing_error(p1, 1), ["h", "p"])
nm.add_all_qubit_quantum_error(depolarizing_error(p2, 2), ["cx"])
return nm
def sample_probs(qc, nm, n=5, shots=20000, seed=1234):
t = transpile(qc, basis_gates=BASIS, optimization_level=1)
t.measure_all()
sim = AerSimulator(noise_model=nm, seed_simulator=seed)
counts = sim.run(t, shots=shots).result().get_counts()
p = np.zeros(2 ** n)
for key, v in counts.items():
p[int(key.replace(" ", ""), 2)] += v / shots
return p
def ideal_probs(qc, n=5):
return Statevector.from_instruction(qc).probabilities()
def bit_reverse(i, n):
return int(format(i, f"0{n}b")[::-1], 2)
nm = build_noise_model()
n = 5
p_ideal = ideal_probs(build_qft_reference(n), n)
p_ref = sample_probs(build_qft_reference(n), nm, n)
p_new = sample_probs(build_qft_no_swap(n), nm, n)
去 SWAP 版的读出比特序相反，比较前先重排
p_new = p_new[[bit_reverse(i, n) for i in range(2 ** n)]]
tvd = lambda a, b: 0.5 * np.abs(a - b).sum()
print("参考版 TVD :", tvd(p_ideal, p_ref))
print("去SWAP版 TVD:", tvd(p_ideal, p_new))
```
TVD（全变差距离）的含义很直白：两个分布差多少，取值 0 到 1，越小越接近理想。跑下来通常能看到去 SWAP 版的 TVD 更小——少 6 个两比特门，噪声就少 6 份。
如果想更贴近真实硬件，可以把 depolarizing_error 换成 thermal_relaxation_error，用 T1、T2 和门时长建模，参数取自你所用量子后端的校准数据（以后端官方页面公布的当前数值为准）。这一步不改变流程，只改变数字。
第 7 步：把结果回灌，做第三轮
把 TVD 和门数表一起贴回给 Claude，问一个更窄的问题：还有没有不依赖额外比特、不引入动态电路的深度压缩空间？窄问题往往得到能直接落地的答案。
常见坑与排错
统计数字漂亮得不像话。 qc.depth() 和 qc.count_ops() 在复合门未分解时会把它算作一个门。CP、SWAP 都属于这一类。统计前先 transpile(..., basis_gates=[...])，门集按目标硬件选。
逻辑门数和物理门数不是一回事。 少一个 CP 门，在 h/p/cx 门集下等于少两个 CX。写优化报告时说清楚是哪个层面的数字，不然容易高估收益。
噪声模型静默失效。 add_all_qubit_quantum_error 里的门名必须和电路里实际出现的门名一致。transpile 后电路里若还有 u、rz 之类的门，而噪声模型只登记了 h、p、cx，那些门就在无噪声下运行，结果会好得不真实。加一行 print(t.count_ops()) 核对一下门名。
比特序。 Statevector.probabilities() 返回的数组下标以 q0 为最低位，而 get_counts() 返回的字符串最左边是最高位比特。用 int(key, 2) 转成整数后两边正好对齐。涉及 SWAP 省略时，还要按 bit_reverse 重排。这处错了，保真度会接近 0。
用测量分布代替态矢校验。 测量分布只能验证到概率层面，相对相位错了看不出来。要求严格的等价性就用态矢内积。
采样噪声。 shots 太小的时候 TVD 会抖动，两个版本差个 0.005 可能只是随机性。对比时固定 seed_simulator，shots 给到两万以上。
Claude 会写出旧版 API。 典型是顶层 execute()、from qiskit import Aer、qiskit.execute。这些在当前版本里已经不可用，按报错信息对照官方迁移文档替换即可，不是你的环境坏了。
全局相位。 直接比较两个态矢会受全局相位干扰，取内积的模方。相对相位则相反，不能忽略。
下一步建议
- 把规模加大。 5 比特只是演示。把 n 提到 8 以上，再看"丢弃小角度受控相位门"的近似 QFT：低于阈值的
CP直接删掉，门数显著下降，代价是引入了可控的近似误差。用同一套校验流程量化这个误差，就能画出"门数—保真度"的权衡曲线。 - 试半经典 QFT。 思路是把多比特的受控相位换成"测一个比特、按结果决定是否施加相位、再 reset"的动态电路，把量子资源换成经典反馈。Qiskit 支持
if_test和reset，实现路径清晰但细节不少，正好适合当作下一轮与 Claude 协作的题目。 - 把校验脚本接进 CI。 态矢保真度大于阈值、TVD 不劣化，这两条作为断言写进测试。以后每次让 Claude 改电路，跑一遍就知道有没有退化。
- 换一个电路家族练手。 硬件高效拟设（hardware-efficient ansatz）的纠缠层同样是优化的重点：全连接纠缠换线性链、层数压缩、参数合并。方法论和本文完全一样，只是把 QFT 换成变分电路。
- 用真实后端校准数据建模。 depolarizing 是简化模型，换成带 T1/T2 的热弛豫模型，结论会更贴近你真想跑的那台机器。