减少重复搬运
把分散系统之间的数据查询、同步、导出和异常处理连接起来，减少人工复制、核对与反复切换。
ABOUT / BUILDING IN PUBLIC
普通起点，
持续向前。
你好，我是小艾，一名 24 届普通本科毕业生，现在从事大模型应用开发。这个博客记录的不是一个“已经完成的人”，而是一个仍在学习、实践和修正中的开发者。
GRADUATED2024 届毕业生
CURRENT ROLE大模型应用开发工程师
LONG-TERM FOCUSAI 应用落地与个人知识系统
01
MY STORY
我没有传奇经历，只有一段不断补课、不断做事的过程。
普通本科、24 届毕业，这些就是我的真实起点。我不想把自己包装成一路顺利的人。走到现在，更多依靠的是持续学习：遇到不懂的问题就拆开，学到一个概念就尽量写清楚，掌握一种技术就放进真实项目里验证。
现在，我的工作是大模型应用开发。相比只做一个演示页面，我更关心 AI 怎样进入真实业务：数据从哪里来、工具如何调用、权限如何隔离、错误怎样兜底、结果能否被追踪，以及最终是否真的节省了人的时间。
AI IN REAL WORK
做过的不只是 Demo，
而是能被内部持续使用的 AI 工具。
工作中，我参与并独立开发过多种内部 AI 工具，覆盖数据流转、业务 Agent 和 MCP 工具集。由于业务与数据隐私，这里不会公开具体系统和客户信息，只分享可以复用的方法与工程思考。
让 AI 真正办事
把知识检索、任务分类、多轮对话和业务工具调用组合成完整流程，而不是停留在“能聊天”。
复用系统能力
将内部系统能力统一封装成可控制、可审计的工具，让不同 AI 场景能够复用，降低重复开发成本。
实际价值这些工具持续减少重复劳动和人工核对，在响应效率、使用成本与流程稳定性上带来了可观改善；但我仍会把效果建立在真实数据上，而不是只写一句“AI 提效”。
02
WHY THIS BLOG
这个博客，是我的知识仓库，也是持续成长的公开工作台。
保存学习过程
从基础概念、历史背景到实际代码，把“我曾经弄不懂什么、后来怎样理解”完整留下来。
积攒认知资料
不只收集结论，也记录适用边界、不同观点和自己的判断，让零散信息逐渐形成可以调用的认知系统。
用项目验证知识
文章解释为什么，项目负责真正做出来。需求、取舍、代码、测试和复盘共同构成一条完整证据链。
所以这里既展示我会什么，也展示我还不会什么；既保存阶段成果，也公开下一步要补的课。它不是静态作品集，而是一套会持续更新的个人学习系统。
STRENGTHS & GROWTH EDGES
我认可自己的长处，
也不回避目前的边界。
我正在形成的优势
- 工程落地能把模糊需求拆成可交付、可验证的产品闭环。
- AI 应用实践理解 Agent、工具调用、权限边界与异常兜底，不把 AI 当作万能按钮。
- 产品化思维会同时考虑使用者、业务价值、技术方案和后续维护成本。
- 自驱学习能围绕真实问题持续补课，并把学习结果沉淀成文章、代码和项目。
我还在补的课
- 复杂系统经验仍需扩展目前更熟悉中小规模系统与具体业务落地，对超大流量、复杂分布式系统的实战还需要继续积累。
- 模型底层深度仍在补课我的重点是大模型应用工程，训练、全量微调和底层算法研究并非当前强项，正在系统补充核心原理。
- Go 仍在走向深入已经能够用 Go 完成真实模块和工具，但在大型 Go 工程、并发设计和性能治理上还有更长的路。
- 协作半径还可以更大独立完成和小团队推进是当前优势，跨部门、多团队、长周期的大型协作经验仍需要主动争取。
HOW I WORK
务实、诚实，
然后长期坚持。
- 01
先解决问题不为了追逐技术名词做功能。先确认真实问题、使用者和验收标准，再决定模型、Agent 或普通程序谁更合适。
- 02
AI 有边界重视权限隔离、错误校验、人工确认和结果追溯。AI 是增强人的工具，不应该成为绕过责任的借口。
- 03
从产品看工程不仅关心代码能不能运行，也关心流程是否顺畅、维护成本是否可控，以及使用者到底有没有因此更轻松。
- 04
长期积累允许知识不完整，但要求每次学习都留下可修订的记录，让文章、项目和认知随着实践持续生长。
KEEP EXPLORING