Production Delivery
生产交付
任职期间交付的企业系统 · 代码归甲方不公开，架构决策与踩坑细节可面谈
商标交易平台
技术负责人 · 带 3 人团队
- ▸3 人团队下选「模块化单体」而非微服务：分布式事务与运维成本不划算，按业务域包级隔离
- ▸30+ 字段检索模型：IK 分词 + 中英双路召回，同名商标聚合，规避 BM25 长度干扰
- ▸选标 Agent：自然语言 → 尼斯分类推断 → 关键词生成 → 分档计分召回，超时自动降级
WCS 立体料仓
核心开发 · 现场联调
- ▸自研 Modbus TCP 通信层：Holding Register 位级读写（含高低字节交换），点位配置化不改代码发版
- ▸16 步责任链编排出入库流程，静态锁保证堆垛机同一时刻单任务，杜绝指令交叉
- ▸4 路隔离线程池按「手动/自动 × 入库/出库」拆分，超时兜底 + 异常寄存器防双向死锁
行业资料智能填报
技术负责人 · 架构集成
- ▸「Dify 编排 + Spring Boot 持久 + Node.js 导出」三进程异构：AI 编排与业务解耦
- ▸Qwen3-VL 提取资料图片参数，输出经强约束 JSON 契约转换后落库，同一份 JSON 驱动预览与导出
- ▸多轮增量：LLM 对新旧结果语义合并而非覆盖，解决多轮上传的字段漂移
AI 应用平台
后端开发 · 平台基座
- ▸策略模式抽象 IAiChatService：GLM-4 与自部署 Llama 按场景切换，新增模型只实现接口
- ▸Spring AI Alibaba + Milvus 建 RAG 知识问答，OAuth2 + Spring Security 打底
- ▸SSE 统一 token 级流式：智谱侧 Flowable 逐 chunk 转发，Llama 侧自研异步消费
Agent Capability Matrix
Agent 能力矩阵
编排 · 护栏 · 协议 · 评测 · 上下文 · 生产落地
Multi-Agent 编排
LangGraph StateGraph 双角色流水线、共享状态传递、LangSmith 全链路 tracing；生产端落地 LangChain4j Function Calling Agent 与 Dify Chatflow 编排。
mulit-agent-study-zhuyt →Tool Calling 可靠性
自研 Agent Guardrails：救援解析器修复畸形工具调用 JSON、带引导的智能重试、步骤执行器防死循环、上下文预算防 OOM。8B 模型准确率 53% → 99%。
agent-guardrails-zhuyt →MCP 生态与权限边界
MCP Gateway Lite 统一网关：JWT/API Key 双认证 + RBAC 权限沙箱 + 限流配额 + Prometheus 指标 + 全链路审计；另有多个自写 Tool Schema 的 MCP Server 实践。
mcp-gateway-lite-zhuyt →评测集与回归
26 场景 Agent 基准套件自动跑分；Skills Lab 对照实验（无技能/人工技能/自生成技能）；AI 编程模型横评。用数据说话，不是只接第三方 SDK。
agent-skills-zyt →上下文工程
ContextRoller：以 MCP 工具管理 Claude Code / Cursor 会话上下文；生产 Agent 的语义缓存 + 前缀缓存治理，单次 Input Token 降低 55%。
ContextRoller-zyt →生产级 Agent 落地
豆包大模型商标选标 Agent（意图解析→分类推断→关键词召回→超时降级）、Qwen3-VL 多模态智能填报、Ollama 私有化部署 Function Calling Agent。
Featured Projects
精选项目
按 Agent 工程能力分组策展 · Star 与更新时间实时同步 GitHub
Agent Harness in Practice
Agent Harness 实战拆解
为我的开源项目 LogLens（AI 日志根因分析）搭建的上下文基础设施：
5 条 Axioms 决策原则 + 4 个 Skills 标准作业手册 + 采集→蒸馏→发布的周期回路
Axioms 原则库
5 条反复验证的判断原则，AI 决策前先查表
Skills 作业手册
axiom 管「要不要做」，skill 管「具体怎么做」
周期回路
collect → distill → publish，周级 Loop Engineering
L1/L2 分层记忆
L1 滚动 7 天观察 + L2 按周完整归档
① 蒸馏回路核心：采集 → 压缩 → L1/L2 落盘
过去 7 天 daily 数据自动收集，单文件 8K / 全量 50K 字符截断防 token 爆炸，蒸馏结果双写滚动记忆与周报归档
② Prompt 即契约：结构化输出约束
每个输出段都有数量与格式约束（≤30 字、必须带 commit hash、找不到不许硬凑），把 Bad Case 挡在 Prompt 层
③ 模型路由与成本治理
axiom a03-deepseek-first：默认低成本模型，temperature 0.3 保证蒸馏输出稳定——模型是路由决策，不是默认选项
④ Skill 蒸馏：经验沉淀的晋升机制
反复出现的判断自动收集证据，出现 ≥ 3 次才晋升为 axiom 候选——用数据驱动，不拍脑袋
💡 这套 Harness 的价值不在单点代码，而在「回路」： 每周自动蒸馏出「做了什么 / 学到什么 / 哪里栽了」，再反哺下一轮开发决策—— 这正是 Agent 开发里 Harness / Loop Engineering 的落地方式。
Tech Stack
Agent 技术栈
编排框架 × 协议与工具 × 工程底座，10 年后端功底托底；每项都标注落地项目，不做自评打分
编排框架
协议与工具
工程底座
生产 + Demo 双轨
技术点既在企业系统里跑过，也有可单测、可跑分的开源实现
用数据说话
53%→99% 护栏准确率、Input Token 2700→1200，口径可复现
Vibe Coding 深度用户
Cursor / Claude Code 重度实践，AI 辅助研发工作流工具化