我在做什么
AI Agent 开发
基于 MCP 协议和 Function Call 构建智能 Agent 系统，实现自然语言驱动的工具调用和任务编排。对 Agent 架构设计、工具链路编排有实战经验。
RAG 系统构建
从文档解析到向量化、检索重排序的完整 RAG pipeline 构建经验。对 Chunking 策略、Hybrid Search、Query Rewriting 等技术有体系化理解。
全栈工程实现
从架构设计到部署运维的端到端工程能力。擅长使用 Next.js/TypeScript 构建交互式 Web 应用，具备 Docker/K8s 容器化部署和云基础设施管理经验。
从构想到落地
ChatBlog — RAG 知识库博客系统
当前项目基于 Next.js + TypeScript 的全栈 LLM 应用项目。完整实现了 RAG 检索增强生成 pipeline：Embedding 向量化、语义向量检索、Cross-Encoder 重排序。集成 MinerU 智能文档解析，支持 PDF/DOCX/网页等多种格式自动转 Markdown 并生成 AI 摘要。前端展示知识图谱可视化，后端构建向量索引实现语义搜索，覆盖从数据接入到 AI 问答的全链路。
OpsAgent — 服务器告警智能诊断系统
基于 Agentic 多轮推理的服务器告警智能诊断系统。收到告警后自主规划诊断路径，通过 Reason→Retrieve→Observe→Decide 循环逐步逼近根因，支持 Prometheus/Zabbix 多源告警接入、场景路由、分层诊断（系统资源→进程服务→网络→应用日志）、命令白名单安全机制和飞书通知。
技能与专长
覆盖 AI、全栈开发与云基础设施的综合技术能力。
AI & LLM
后端开发
DevOps & 云平台
网络 & 智能家居
前端开发
技术博客
关于 AI、系统设计与工程实践的深度文章。
不是不在乎，只是真的太容易忘了
作者因常忘记重要日子而开发小程序“记日宝”，旨在帮助用户记录亲友生日、纪念日等关键节点及礼物偏好。它像一份“惦记清单”，通过提前提醒避免遗忘，让在乎变得具体。未来计划融入AI辅助送礼建议，但强调技术不替代真心。文章呼吁用户试用，以在忙碌生活中维系珍贵关系。
我终于搞懂了Function Calling和MCP的区别
本文介绍了Function Calling与MCP两种技术。Function Calling是大模型调用预设函数与外部系统交互的能力，用于扩展模型能力、结构化输出和动态决策，适合简单原子化任务。MCP是Anthropic推出的开放通用协议，采用客户端-服务器架构，提供Resources、Tools、Prompts三大能力，支持跨模型跨平台复杂场景。通过门票助手、高德地图MCP、Tavily搜索MCP等案例展示应用。对比显示，Function Calling适合简单低延迟任务，MCP适合复杂多工具联动场景，两者可组合使用。
二、Agent
本文介绍了两种AI Agent类型：Workflow Agent和ReAct Agent。Workflow Agent通过人工定义规则和工具赋能，解决LLM的幻觉、无执行能力等缺陷，适用于高准确性场景，采用RAG技术、预设工作流和工具调用实现可控性。ReAct Agent则通过“推理→行动→反馈”循环动态完成任务，适用于非固定步骤的任务，如文件查找和故障排查，核心是思维链技术支撑推理过程。文章还通过案例展示了ReAct Agent如何通过多轮工具调用完成复杂任务，并讨论了相关技术架构和产品。
九、Agent进阶与集成
本文介绍了Agent进阶与集成技术，涵盖批处理、数据表、知识库、多Agents和复杂工作流等核心能力。通过5个实战案例（古诗词绘画、智能投顾、客户分层营销、智能客服、市场舆情监测）展示应用，并涉及Coze API和Dify API的集成对接。
十、AI 赋能的智能测试与质量保障
本文介绍了AI时代软件开发从SDD（规格驱动开发）到TDD（测试驱动开发）的范式转变，强调规格作为可执行表达和测试作为质量保障核心。通过正整数判断和AI投研工具实战案例，展示了TDD的红-绿-重构循环。核心概念“Harness Engineering（驭缰工程）”提出Agent = Model + Harness，强调通过告知、约束、验证三支柱构建可靠系统，包括AGENTS.md导航、Lint规则机械化执行、仓库即记录系统等实践。文章指出，约束越严AI越可靠，需通过自动化规则防止Agent复制坏模式，并介绍了Guides x Sensors矩阵区分计算性与推理性任务。
五、AI编程（二）
本文介绍了AI编程与机器学习核心知识，涵盖数据可视化、机器学习七步法、经典模型及寿险续保预测案例。首先以香港疫情数据可视化为例，展示趋势、分布等核心维度及七日平均新增计算逻辑。其次讲解机器学习基础，包括七步法（收集数据至评估）、线性模型公式、分类与回归问题区分，以及过拟合/欠拟合判断。接着列举十大经典模型，强调逻辑回归（63.5%）和随机森林的业界高占比。决策树基于信息增益选择特征，随机森林通过bagging集成多棵树提升准确率。最后以寿险客户续保预测为实战案例，应用逻辑回归等模型进行预测与评估。
对 AI Agent / RAG 方向的机会保持开放
如果有相关岗位或合作想法，欢迎交流