FOCUS & PRACTICE / 方向与实践
用工程方法，
连接数据与 AI。
长期方向是 AI Data Infrastructure。关注高质量数据如何进入应用，也关注一个系统怎样被验证、观测和持续维护。
01 / AI Data Engineering
高质量数据，是起点。
从输入格式、数据定义和质量规则开始，组织采集、清洗、富化与处理流水线。关注每一步产生什么、如何追溯、怎样判断结果可用。
- ↳明确数据契约与质量规则
- ↳保留处理版本、输入与产物
- ↳用样本与 Badcase 校准质量标准
02 / Agent Engineering
让执行可控，让失败可恢复。
将模型调用、工具权限、任务状态和人工介入点作为整体设计。通过预算、超时、重试和失败记录，明确自主执行的边界。
- ↳先定义状态与工具边界
- ↳控制调用预算、超时与重试
- ↳保存执行轨迹并设计失败恢复
03 / Evaluation & DataOps
用反馈，形成质量闭环。
区分模型表现、数据质量与系统可靠性。先建立规则基线和代表性样本，再比较提示词、模型与流水线变更，避免用单次成功证明稳定性。
- ↳固定数据、规则与评测版本
- ↳分析失败类别与回归样本
- ↳记录任务状态、耗时与错误原因
ENGINEERING FOUNDATION
以成熟的工程基础，承接新的问题。
企业级 Java 后端、数据平台与系统集成的经历，是我探索 AI 应用的工程基础。架构边界、数据建模、服务接口、异常处理与交付维护，始终围绕具体问题展开。
在项目中看实践