项目与实践
项目与实践
我是一名 AI Native 开发者。
在实习中实践 RAG 与 Agent 开发，探索模型、工具与业务如何协同。也在继续补齐云原生与 Go 生态的知识，把对 AI 的兴趣落实到具体的工程问题里。
实习中的 AI 实践
RAG · Agent 开发实习让我开始从真实需求出发思考 AI 应用：怎样找到有用的知识、理解用户的意图，再通过合适的工具完成任务。
RAG：让回答有据可依
实践过检索增强生成，也在持续思考知识检索与回答生成之间的配合。关注检索内容是否相关、上下文是否充分，以及回答能否回到依据本身。
关注：知识组织、检索质量、上下文组装与回答依据。
Agent：从理解到行动
参与 Agent 开发，实践工具调优、意图识别、上下文工程与用户画像设计，也尝试围绕具体场景探索新的 Agent 交互与协作方式。
- 工具调优
- 关注工具描述、参数约定与结果反馈，让模型更容易选对工具、用对工具。
- 意图识别
- 把用户的自然语言诉求与任务路径连接起来，关注模糊需求的澄清和任务路由。
- 上下文工程
- 围绕当前任务组织指令、历史对话、检索知识与工具结果，思考哪些信息该保留、何时该引入。
- 用户画像设计
- 探索偏好、背景与历史行为如何帮助个性化交互，同时关注画像更新、隐私与使用边界。
- 创新设计
- 探索任务拆解、记忆与反馈机制，让 Agent 的行为更贴近场景，也更容易理解和调整。
我理解的 AI Native
把 AI 放进解决问题的全过程，也把判断和责任留在自己手里。
对我而言，AI Native 意味着从问题拆解、方案推演到编码、验证，都主动思考 AI 可以怎样参与。开发者的价值也延伸到定义问题、提供上下文、设计协作方式，以及判断结果是否值得信任。
我关注的是一个完整的系统：RAG 为回答补充知识依据，Agent 连接工具与行动，上下文工程让模型在合适的时机获得必要的信息。它们需要围绕用户的真实需求一起设计。
模型会出错，所以评测、可观测性、权限边界和人工确认应该进入设计。对 AI 保持好奇，对结果保持求证，再用工程方法持续改进，这是我想坚持的开发方式。
正在探索
沿着 AI 应用向下看，我也想理解服务如何部署、运行和被维护。
- 云原生 · Kubernetes 已有了解
- 了解容器化与 K8s 的基本概念，继续学习服务编排、部署与运行管理，建立对应用运行环境的整体认识。
- Go 生态 正在学习
- 正在学习 Go 语言及其生态，希望逐步把并发编程、服务开发与云原生工具串起来。
- AIOps 持续探索
- 关注 AI 在日志分析、告警理解与故障排查中的应用，思考如何用 RAG 和 Agent 辅助运维，并让诊断与执行过程可追溯、可控制。
找到我
我的微信二维码
