- 博客(931)
- 收藏
- 关注
RSS订阅原创 前端转大模型：把落地步骤拆成清单
上周有个前端朋友问我，想转大模型方向，是不是得先把 Transformer 论文啃完？我说不用，你先把一个需求从"业务方一句话"拆到"能上线"走一遍，比刷十篇论文有用。我做了几期大模型应用项目，从 Demo 到上线踩过不少坑。今天不聊模型原理，聊前端转大模型最实际的东西——怎么把"能跑"变成"能用"。---前端转大模型，第一道门槛不是算法，是产品思维。你会写页面，知道用户要什么；你会调 API，知道怎么把结果展示出来。缺的只是把 AI 能力集成到产品里的经验。
2026-08-13 22:31:32
73
原创 同样写 Agent，凭什么你只能跑 Demo，别人已经进组？
摘要：2026 年大模型岗位招聘，筛选逻辑已经变了。Demo 能跑不再是门槛，权限管理、日志可观测、失败兜底才是真正分水的边界。本文从一次真实需求评审切入，拆解普通程序员转大模型方向的技能栈、项目设计和求职路线。---目录需求评审时沉默的那三秒行业趋势：Demo 潮退，工程化浮出水面岗位变化：HR 到底在筛什么必备技能栈：补上 Demo 之外的三块短板项目作品集：怎么做一个能过面试的项目求职路线：从简历到 Offer 的真实路径总结---2026 年转大模型，Demo 能力只是入场券。
2026-08-13 13:24:17
241
原创 LangGraph 实战：为什么你的 Agent 能跑 Demo，却过不了上线这一…
摘要：上周复盘一个 Agent 项目，业务方一句话"跨文档关联"就把整个团队打回原形。我们之前用 LangChain 写的脚本式 Agent 在 Demo 里跑得挺顺，但真正要接入生产环境时，权限校验、日志追踪、人工审批这些环节全乱了。这篇文章复盘我们用 LangGraph 重构工作流的过程，聊聊从 Demo 到生产系统真正需要补的功课。---从 Demo 到生产，Agent 项目真正要补的不是模型调用能力，而是工程化能力。具体来说：状态要显式化。用 State 而不是局部变量，所有中间状态都能追踪。
2026-08-13 13:18:16
320
原创 LangChain 从 Demo 到上线：别只盯着模型调，权限和日志才是真门槛
上周帮团队 review 一个 LangChain 项目，Demo 跑得好好的，一上测试环境就崩。查了一圈，问题不在模型调用，而在权限配置和日志追踪。这让我意识到，很多人学 LangChain 只学会了调 API，却忽略了工程化的基本盘。今天不聊概念，就聊聊我从 Demo 跑通到真正上线这段时间踩过的坑，以及怎么让项目不只是"能跑"。写到这里，我想强调的是：LangChain 让你能快速做出 Demo，但 Demo 能跑和上线能用是两回事。我从这个项目里总结出的经验：第一，别一上来就搞复杂架构。
2026-08-13 12:00:42
273
原创 大模型就业：为什么你的Agent Demo总差一步才能上线
2026年的大模型岗位，面试不再只问"你怎么调用API"。真正卡住学生的，是从Demo到上线之间那层薄薄的墙——权限、日志、可观测性。这篇文章复盘一个真实的学生项目迭代过程，用代码对比讲清楚：为什么你的Agent能跑，但面试官一问"怎么保证安全""怎么排查问题"就露馅了。大模型时代，学生就业的分水岭不再是"会不会调API"，而是"能不能把Demo变成可维护的系统"。权限、日志、可观测性——这些听起来 boring 的工程化能力，正是2026年真正拉开差距的地方。你的Agent Demo能跑，这很好。
2026-08-13 11:20:40
330
原创 Agent 能跑 Demo 却上不了线？LangGraph 图工作流填坑指南
最近看招聘 JD，发现一个现象：会调 LangChain API 的简历能投出，但真正写到"负责 Agent 从 Demo 到生产上线"的，往往只有一句话带过。为什么？因为 Demo 能跑和系统能上线，中间差的不只是代码，是权限、日志、可观测性，以及一套能让团队接得住的工程结构。我最近把团队里的几个 Agent 项目从散乱的脚本重构到 LangGraph 图工作流，踩了不少坑，也总结了一些判断标准。今天聊的不是"怎么用"，而是"为什么用"和"什么时候该用"。
2026-08-12 17:27:05
214
原创 Agent工具调用写得很溜，为什么一上线就被权限和日志打回原形？
做 Agent 项目的时候，我发现一个挺反直觉的事：最先把 Demo 拖垮的，往往不是模型选得不对，也不是 Prompt 写得不够好，而是"工具调用"这三个字背后藏着一堆工程烂账。前阵子帮一个小团队做内部分享，他们的项目在本地跑得挺顺，一上测试环境就崩。排查了一圈，问题出在权限——Agent 调数据库用的是什么账号、读日志有没有权限、写操作要不要二次确认，这些在 Demo 阶段完全没考虑。这让我重新想了一遍 Agent 的底层架构。
2026-08-12 14:17:22
128
原创 爬虫技能转大模型很香？项目上线才暴露的三个致命断点
前阵子面试了几个爬虫转大模型的候选人，简历上清一色写着"精通数据采集、爬虫框架、反爬策略"。问下去，LangChain 调得挺溜，RAG 链路也能跑通 Demo。但真聊到生产环境，几乎每个人都被问到哑火——权限怎么控制、日志怎么追踪、出错怎么定位。我发现一个有意思的现象：爬虫转大模型，大家普遍觉得自己"信息获取能力"很强，应该是优势。但真正进入 AI 项目后，这个优势反而成了盲点。不是技能没用，而是项目卡住你的地方，早就不是采集本身了。
2026-08-12 13:49:01
409
原创 从Demo到上线：真正卡住你的不是调API，是这三样
写了三个Agent项目，Demo都能跑，面试时被问"权限怎么控制的？异常怎么兜底？"直接卡住。这才是2026年大模型岗位真正的分水岭。大模型时代的程序员职业规划，核心不是"学会多少框架"，而是"能解决多少真实问题"。从Demo到上线，中间差的不只是API调用，更是权限控制、日志追踪、异常兜底这些工程化能力。这些能力看似 boring，却是企业真正看重的。我的建议：1. 短期：花一个月补齐工程化短板，重点学权限、日志、异常处理2. 中期：做一个完整的项目，把工程化能力落地。
2026-08-12 11:06:09
216
原创 Agentic AI：Demo能跑和能上线，中间差的不只是模型
我上个月复盘了一个刚上线的Agent项目，Demo跑通那天团队挺兴奋，结果上线一周，权限越界、日志缺失、工具调用失控，翻车翻得挺难看。这事儿让我意识到，很多人学Agentic AI的顺序可能反了。---现在满天飞的"Agentic"，到底指什么？我的理解很简单：Agentic = 模型 + 工具调用 + 自主决策循环。不是聊天机器人那种"你问一句我答一句"，而是能自己拆解任务、调用工具、检查结果、必要时调整策略。但定义这东西，写进PPT和写进代码是两回事。
2026-08-12 10:10:21
328
原创 从Demo到上线：大模型工程师真正要补的不是API，是这三样
摘要：面试时问倒你的从来不是模型调得好不好，而是权限有没有校验、日志能不能回溯、异常有没有兜底。本文从一个真实Agent项目上线翻车说起，拆解从Demo到生产系统之间那道真正的门槛，给出可操作的准备路径。---权限和日志是基础，可观测性是保障。这里的可观测性不是指搞一套复杂的大监控平台，而是几个最关键的指标：1. 成功率监控：每个工具调用的成功率、整体请求的成功率，出问题时第一时间知道。2. 延迟监控：模型调用延迟、工具调用延迟，哪个环节慢了一目了然。
2026-08-11 21:52:50
217
原创 业务方一句“跨文档关联“，把RAG团队打回原形：GraphRAG是怎么救场的
摘要：传统RAG在简单问答上能跑通Demo，但一到需要跨文档推理、权限隔离、可追溯性的真实业务场景就露馅。本文复盘一个企业知识库项目的GraphRAG改造过程，从图谱建模、关系抽取到图检索增强，给出踩坑细节和选型判断标准，并穿插上线后权限和日志层面的工程化经验。---目录传统RAG的瓶颈：Demo能跑，业务一问就崩知识图谱建模：别急着建图，先想清楚你要回答什么问题实体关系抽取：LLM做NER和RE，踩坑比想象中多图检索增强：从向量检索到图遍历，检索逻辑要重写评估与优化：上线前必须过的三道关。
2026-08-11 16:44:24
147
原创 从报表到智能分析Agent：我踩的最大坑不是模型，是权限和日志
摘要：用三个月时间把报表系统升级成智能分析Agent，模型调用反而是最简单的部分。真正让项目上线翻车的，是权限控制、调用日志和可观测性。本文复盘一次小团队的真实踩坑经历，分享从Demo到生产必须补上的三块短板。---目录数据分析的新机会自然语言BI：Demo容易，生产难指标解释Agent：不只是查表数据工具调用：小团队别过度设计项目案例：一次翻车后的取舍总结---从报表到智能分析Agent，这条路我走了三个月，踩了三个大坑：1. 权限是底线。模型再强，没有权限控制就是定时炸弹。
2026-08-11 11:16:46
163
原创 团队用 Codex 三个月，翻车三次才总结出的上线标准
上个月组里把 Codex 正式接入工作流，上线前我以为会顺，结果第一个月就栽了跟头。不是模型不聪明，是接进去之后完全没人知道它改了什么、为什么改、该不该信。演示的时候代码跑得挺好，一上测试环境，权限越界、日志缺失、交接文档空白，三个问题同时爆发。后来我们硬着头皮复盘，才把这套东西理顺。今天把真实踩过的坑和总结出的标准写出来，给同样想把 AI 编程工具从个人试用推到团队协作的同行参考。Codex 接入团队不是一件"配置好就能用"的事。它需要团队建立上下文喂入规范、代码审核流程、测试验证标准、日志权限机制。
2026-08-10 22:39:39
274
原创 LangChain到底能不能干活？别只看 Demo 和跑分
之前面试几个转大模型的同事，问项目经历，十个人里有八个能说"我做了个Agent"，但追问三句就露馅——权限怎么控的？日志怎么记的？出错了怎么回滚？Demo能跑和能写进简历，中间差的不是调个API，而是工程化的底子。这期不聊概念，就聊怎么把一个能跑的Demo变成能扛住面试官追问的项目。LangChain让调模型变得简单，但让应用能上线没那么简单。权限：谁能用、能用多少、用了什么日志：发生了什么、花了多久、哪里出错可观测：指标怎么监控、异常怎么告警、性能怎么优化。
2026-08-10 20:51:39
126
原创 Agent从Demo到上线：踩过的权限日志坑，暴露的3个错误假设
去年年底，我带着一个Agent项目去面试几家大厂，Demo在现场跑得很顺：用户问问题，模型调工具，返回结果，流程完整。面试官没问太多代码细节，而是问了三个问题——权限怎么控制、日志怎么追、异常怎么回滚。我当时的回答基本是"用API默认权限""打印点log""try-catch兜底"。结果很明显，没过。后来我复盘了一下，发现自己当时有三个错误的假设，而这三个假设恰恰是现在市场上很多人共有的认知盲区。---我面试那次没过，后来反思了很久。不是我的Demo不够好，而是我当时的认知还停留在"能跑就行"的阶段。
2026-08-10 18:37:33
196
原创 Agent Demo能跑就敢投简历？权限和日志才是2026年真正的分水岭
摘要：2026年的大模型岗位，筛掉你的不再是"会不会调API"，而是你能不能把权限、日志和可观测性做好。本文从一次真实需求评审切入，拆解普通程序员转型大模型方向的实际路径和取舍。---目录从一次需求评审说起岗位变化：企业真正在招什么人必备技能栈：别再去卷模型训练了项目作品集：怎么用证据说话求职路线：选对赛道比努力更重要总结---2026年的大模型就业，机会不在模型训练，而在工程化。普通程序员的优势是：你已经会写代码、会调试、会排查问题。现在只需要把这些能力用在AI场景下。
2026-08-10 14:01:57
220
4
原创 为什么你的Agent项目Demo能跑，面试时却被问倒了？
去年秋天，我去一家做AI应用的团队面试。面试官没让我讲模型选型，而是直接甩了一个问题：你的Agent上线后，用户输入了一个超长的prompt，模型返回了30秒，超时了，系统怎么知道？出错时怎么回滚？日志该记什么？我当时愣住了。项目确实跑通了，Demo里一切正常。但这些问题，我从来没想过。后来我拿到了offer，但心里清楚：差一点就挂了。大模型时代，计算机专业的就业逻辑变了。不是你不会调API，而是你会调API的人太多了。真正卡住你的，是那些Demo里看不见的东西。
2026-08-10 11:36:37
162
1
原创 GraphRAG 实战到底解决了什么问题？
最近面试了几个做 RAG 项目的候选人，聊到 GraphRAG 时大家都能说出 Neo4j、实体关系、Louvain 社区这些词。但真问到"你们项目里图谱维护成本怎么控的"，基本都沉默了。这和我最近带团队做企业知识库的感受一致：Demo 里 GraphRAG 效果确实比纯向量检索强，但一上生产环境，团队最先崩溃的不是模型效果，而是图谱的持续维护。今天把我踩过的坑和实际取舍讲清楚，希望后面的人能少走点弯路。---
2026-08-09 21:33:59
151
1
原创 Hermes上手简单？真正难的是团队怎么接住它
摘要：Hermes作为新兴AI编程工具，个人试用和团队协作之间存在明显鸿沟。本文从真实使用场景出发，分析Hermes在团队环境中的配置要点、协作瓶颈和实用建议，帮助开发者判断是否值得引入团队工作流。---目录Hermes是什么核心能力模型配置项目协作适合场景总结---Hermes是一个有潜力的AI编程工具，但"上手简单"和"团队好用"是两回事。如果你只是个人使用，Hermes的配置门槛很低，可以快速上手。但如果要在团队推广，建议先回答三个问题：1. 团队有多少人需要同时使用？
2026-08-09 21:27:45
186
1
原创 Demo能跑，团队接不住？大模型工程化的真正门槛
上个月帮朋友看了个项目简历，小伙子写了个RAG系统，GitHub链接里代码写得挺漂亮，LangChain、向量数据库、Prompt工程全都有，还附了一个演示视频，运行效果确实不错。我问了他一个问题：这个项目的权限是怎么管理的？有没有审计日志？如果线上出问题，怎么快速定位是模型的问题还是数据的问题？他愣了几秒，说这些没考虑过，当时主要是想跑通流程。我听完挺感慨的。这不是他一个人的问题，这是现在很多人学大模型应用的通病——太沉迷于Demo能跑，却忽略了工程化里最让人头疼的那部分。
2026-08-09 16:54:18
165
原创 LangGraph 能救 Agent 上线翻车？先看清楚你缺的到底是图还是权限
Agent 从 Demo 到生产，LangGraph 解决的不是"能不能跑"，而是"能不能控"。本文结合实战踩坑，聊聊图工作流怎么设计、权限和日志怎么配，以及为什么很多团队在 LangGraph 上栽跟头。LangGraph 不是 Agent 的救世主，但它能强迫你把流程想清楚。权限、日志、可观测，这些" boring"的工程化工作，才是 Agent 从 Demo 到生产的真正门槛。我的建议：1. 先设计 State，再写 Node2. 条件分支只负责路由，不混业务逻辑。
2026-08-09 14:31:03
318
原创 测试转大模型：Demo能跑就够了？权限日志才是HR筛人的门槛
前阵子刷招聘软件，看到几个大模型测试岗的JD，心里咯噔一下。"熟悉LangChain/LangGraph"、"有Agent测试经验"、"了解RAG评估体系"——这些词在三年前根本不会出现在测试岗位的任职要求里。我当时就在想，我们这些做传统功能测试、接口测试的人，到底该怎么跨过去？最近帮几个朋友改了简历，也面了几轮AI测试方向的候选人，发现一个现象：很多人 Demo 能跑，但一问生产环境就露怯。权限怎么配的、日志怎么看的、模型出错了怎么回滚，这些在 JD 里写得很隐晦，但在面试里会反复追问。
2026-08-08 21:35:33
181
原创 LangChain 项目跑通 Demo 容易，为什么团队协作就崩了？
之前我带团队做了一个内部知识库助手，用 LangChain 搭起来，本地跑一切正常。结果上线后，权限问题、日志缺失、工具调用失败，一个接一个。最后回滚了三轮，才发现我们当时写的代码，根本撑不起团队协作的场景。这件事让我意识到：LangChain 从 Demo 到生产，中间差的不是调 API 的能力，而是工程化的细节。今天就把这个复盘过程写出来，希望能帮你少走点弯路。---权限控制：不同用户看到的内容要隔离日志记录：每一次调用都要有迹可循错误处理：工具调用、模型调用都要有兜底。
2026-08-08 19:29:58
204
原创 Demo能跑就敢投简历？大模型岗位真正筛人的是权限和日志
去年带实习生做内部Agent项目，他自己本地跑得好好的，我让他把权限控制加上，他愣是找不到从哪下手。后来项目上线崩了两次，排查发现都是权限配置问题。这件事让我意识到，大模型岗位的竞争逻辑已经变了——能调API跑通Demo的人太多了，但能把权限、日志、可观测性做好的，才是真正稀缺的。大模型就业的竞争逻辑已经变了。能跑通Demo的人很多，能把Demo变成可维护系统的人很少。权限、日志、可观测性，这些看起来是"小事"，但它们是Demo和生产的真正分界线。
2026-08-08 17:49:21
235
原创 Agent 上线就崩？LangGraph 把 Demo 变成生产系统的最后一公里
前阵子帮一个团队做 Code Review，他们的 Agent 在本地跑得好好的，一问模型也是最新的，结果上线第一天就炸了。不是模型调用失败，而是状态乱了。用户问了一个边缘问题，Agent 卡在一个循环里，日志里全是，但没人知道它到底卡在哪一步。更糟糕的是，当用户追问时，上下文已经被污染了，整个对话逻辑彻底偏离。这时候我才意识到，LangGraph 的真正价值，不在于“让 Agent 能动起来”，而在于“让 Agent 在失控前能被叫停”。
2026-08-08 09:03:58
309
原创 个人跑得通，团队接不住？Claude Code 从 Demo 到工程的真实分界线
最近 AI 编程工具的风向变了。以前大家聊的是“能不能跑起来”，现在聊的是“能不能进代码库”。我试了一圈，发现最大的坑不是模型智商不够，而是个人试用和项目协作之间的断层。很多人用 Claude Code 写个小脚本很顺，但一旦放到团队项目里，要么改坏了别人写的逻辑，要么生成的代码没人敢 merge。我花了两周时间，把 Claude Code 接入一个中等规模的 Python 项目，复盘了几个关键节点。今天不聊概念，只聊实战中遇到的真实问题和解决路径。
2026-08-08 08:30:50
224
原创 从 Hadoop 到 RAG：数据工程师在大模型时代的“脏活”突围
去年这时候，群里还在聊谁家的预训练模型参数量又翻了一倍。今年再聊，大家讨论的都是同一个问题：为什么你的 Agent Demo 跑得很顺，一上线就崩？很多大数据背景的同学转型时，第一反应是去学 Transformer 原理、去刷论文，甚至去啃 PyTorch 源码。但我观察下来，真正让团队卡壳的，从来不是模型选得对不对，而是数据管道能不能喂得饱、喂得干净、喂得稳定。大模型应用从 Demo 走向生产，门槛早就不是“调通一个 API”了。
2026-08-07 22:59:20
318
原创 LangChain 应用崩在上线前？权限与日志比调 API 更难
我最近帮几个朋友 review 代码，发现一个挺普遍的现象：Demo 在本地跑得飞起，一旦要集成进正式项目，不是报权限错误，就是日志乱成一团麻。很多人以为做 AI 应用难在“调用模型”，其实难在“稳定交付”。LangChain 这套框架把调用变得极其简单，但同时也掩盖了工程化里那些脏活累活——权限校验、调用追踪、错误兜底。今天不聊怎么跑通 Hello World，聊聊怎么让你的 LangChain 应用从“能跑”变成“敢上线”。Demo 跑通了，下一步就是加日志。但不是简单的print。
2026-08-07 21:35:50
312
原创 需求评审时沉默的那三秒：大模型应用从 Demo 到生产的真正门槛
上周有个需求评审，甲方提了一个“智能客服 Agent”的需求。前端同学很兴奋，当场用 LangChain 搭了个 Demo，跑通率 100%，还演示了流式输出，现场掌声一片。但作为后端负责人，我在会议纪要里只写了一句话：“权限边界、调用链日志、失败重试策略，这三点没想清楚之前，不要进开发。会后有人问我：“这不就是个大模型应用吗？调个 API 不就行了？我笑了笑，没解释。因为解释成本太高，而简历上的坑，只有踩进去才知道有多深。
2026-08-07 20:30:37
228
原创 个人跑通容易，团队协作总翻车？Agent规划才是真正门槛
前阵子团队让我把 Claude Code 接到我们内部项目里，想试试能不能提升点效率。单点跑通挺顺的，写个需求、让它生成代码、跑测试、改 bug，一气呵成。结果一到团队协作环节，问题全来了：任务拆不清、工具调用串不起来、上下文越跑越乱，最后只能回退到人工维护。我才意识到，Agent 能跑 Demo 和能真正干活，中间隔着一条很宽的沟。这条沟不是调 API 调出来的，是规划、工具、记忆这三块硬骨头啃出来的。今天复盘一下我踩过的坑，顺便把 Agent 的核心原理捋清楚。---
2026-08-07 16:07:36
359
原创 Agent Demo能跑就敢投简历？2026年企业筛人的门槛早就不是这个了
2026年的程序员求职市场，会调API、能跑通Agent Demo的人已经一抓一大把。真正卡住offer的，不再是"Demo能不能跑"，而是"上线后崩不崩"。本文从一个真实项目复盘出发，拆解企业现在到底在看什么——权限管理、日志可观测、兜底机制，以及学习路线上应该先补什么、暂时放什么。---2026年的程序员求职市场，Demo能力已经不是核心竞争力了。企业现在更看重的是工程化能力：权限管理、日志可观测、兜底机制。我的建议是：1. 不要盲目追新框架，先把基础打牢。
2026-08-07 12:38:08
343
原创 Agent 核心原理：从维护成本看取舍
很多团队做 Agent，第一步都顺利得吓人——调 API、接工具、跑通一个 Demo。第二步就慢下来了：权限怎么收？日志怎么记？记忆怎么存？第三步更头疼：上线第一天崩了，回滚还是硬撑？这篇少讲空泛概念，只聊小团队资源有限时，怎么把这三件事做到"够用"，而不是"完美"。做 Agent，小团队资源有限，别贪多，先做到"够用"。三个底线：1. 规划要拆好路，别指望模型自己会想——给模型明确的边界，而不是让它"自己想办法"。2. 工具权限先收住，再放开——先想清楚"谁该被关进笼子"，再想"谁可以放出来"
2026-08-06 22:29:33
143
原创 数据分析转Agent，Demo能跑就敢投简历？真正卡住的是权限和日志
摘要：从报表到智能分析Agent，数据分析经验的迁移路径并不像想象中顺滑。很多人在Demo阶段就沾沾自喜，但真正上线后才发现，权限控制、日志追踪、可观测性才是横在中间的大山。本文结合近期落地项目，聊聊为什么权限和日志比调API更考验基本功，以及数据分析背景的同学如何补足这块短板。---数据分析转大模型，不是换个工作方式，而是换一套能力体系。SQL会写、看板会做，这些是基础。权限控制：理解业务数据边界，能在代码层面实现管控日志追踪：建立完整的链路记录，排查问题时不抓瞎。
2026-08-06 13:39:05
187
原创 前端转大模型：Demo能跑就敢投简历？权限日志才是真门槛
之前帮朋友看简历，前端背景，几个项目都是"接了个API，做了个聊天界面"，问他对权限管理和日志追踪怎么看，直接卡壳。我说这问题在面试里很常见，他说招聘JD上也没写啊。我看了下最近几个大模型岗位的JD，确实没明说，但"可观测性""权限控制""生产环境部署"这些词反复出现。问题出在哪？前端习惯的是Demo思维，跑通就行。但大模型应用从Demo转向生产，最先卡住的就是权限、日志和可观测性。这不是算法问题，是工程问题。前端转大模型，不是换赛道，是升级。你的交互能力、多模态经验、流式输出处理，都是优势。
2026-08-06 08:25:45
215
原创 LangGraph火了之后，为什么团队反而更关心维护成本？
最近团队把 Agent 从 Demo 推进到上线，踩了一堆权限和日志的坑，回头发现 LangGraph 的图工作流才是真正能兜住这些东西的结构。这篇文章复盘整个踩坑过程，顺便把 State、Node、条件分支、人工审批这几个关键概念讲清楚，适合想构建可靠 Agent 工作流的后端和 AI 应用开发者。从 Demo 到生产，Agent 项目最大的挑战不是模型调用，而是可控性。State 让数据流显式化，方便追踪和调试Node 让逻辑模块化，每个节点职责单一。
2026-08-06 08:20:58
302
原创 爬虫转大模型：权限和日志比调API更考验基本功
摘要：我从爬虫转型做 AI 项目，以为数据抓取能力是核心竞争力，结果上线第一天就被权限和日志问题打脸。复盘这次踩坑，发现爬虫工程师真正值钱的是数据思维和合规意识，而不是会调 API。---爬虫转大模型，最值钱的不是你会爬数据，而是你懂数据。权限、日志、可观测性，这些不是爬虫工程师的强项，但它们是工程化的基本功。你可以在项目里补课，但不应该在上线后才想起来补。我的建议是：1. 把爬虫阶段的工程习惯带过来——完整的日志、明确的边界、合规的意识。
2026-08-05 19:36:09
597
原创 调API跑通Demo就能投简历？2026年企业筛掉你的其实是权限和日志
前阵子和一个猎头朋友聊天，他说今年面大模型岗位的候选人，十有八九能跑通一个Agent Demo，但一问到"你的系统怎么处理越权访问""怎么追踪一个复杂任务的执行链路"，基本都卡壳。这话听着扎心，但事实就是这样。我带过一个团队，招过几个人，踩过不少坑。今天想把这件事掰开揉碎说清楚，给想转大模型方向的程序员一点实在的建议。大模型就业的门槛，在变高，也在变清晰。会调API、能跑Demo的人，市场上有一抓一大把。但能把Demo变成能上线、能维护、能追责的生产系统的人，才是真正的稀缺。
2026-08-05 18:16:27
132
原创 GraphRAG从Demo到生产：知识图谱的边界和验收标准
摘要：GraphRAG在Demo里表现亮眼，但真正上线后最先暴露的问题往往不是算法，而是边界不清、权限失控、日志缺失。这篇文章复盘一次知识图谱+RAG的实战经历，重点讲实体抽取的取舍、图检索的召回逻辑、以及上线前的验收标准。---GraphRAG 从Demo到生产，最大的挑战不是算法，而是边界和工程化。建模要克制，从查询需求反推，不要追求大而全。抽取要分层，批量处理+缓存+置信度过滤，保证吞吐和质量的平衡。检索要融合，图遍历和向量召回各有所长，两阶段结合效果最好。
2026-08-05 14:23:23
254
原创 LangChain 项目从 Demo 到上线，回滚和监控踩了三轮坑
前几天把 LangChain 项目推上线，结果第一天就炸了。不是模型调不通，是回滚机制没做好，一个改坏的 Prompt 直接把线上接口打崩。回来折腾了三轮，才把监控和兜底补齐。这篇文章就是复盘这次踩坑过程。从调用模型到真正能让项目上线，中间隔着的不是 API 调用，而是回滚、监控和异常处理这些"boring"的东西。LangChain 从调模型到构建 AI 应用，Demo 阶段学的是 API 调用和组件组合。但真正让项目能上线的，是回滚机制、监控告警和异常兜底。
2026-08-05 10:43:50
234
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人