拆房老料_个人页

2026年10月

• 10.04 11:03:07
  发表了文章 2026-10-04 11:03:07

  【第三部分：第一个 Agent 应用】14. 开发一个完整的企业知识助手：从 RAG 到 Agent

  本文以企业知识助手为综合实践，整合 RAG、Agentic RAG、Tool Calling、MCP、Memory、State、Structured Output、权限控制、引用溯源与 Trace/Eval 等能力，说明企业知识助手如何从“知识库问答”升级为能够连接业务系统、理解上下文并执行真实任务的 Enterprise Agent。文章重点介绍权限感知检索、Metadata、业务 Tool、长期记忆、人工确认和可观测评估等生产级能力，并结合 BaseMetas EKA 架构说明企业知识与 Agent 如何协同落地。

2026年09月

• 09.26 14:44:07
  发表了文章 2026-09-26 14:44:07

  Jev 能否用于银行风控？从规则引擎到语义决策层

  Jev 并不是为了取代 Blaze、Drools 等传统规则引擎，而是为银行风控补充一层语义决策能力。规则引擎继续负责确定性业务规则，风险模型负责统计预测，Jev 则适合处理通话、短信、备注等非结构化信息中的还款意愿、承诺可信度、投诉风险和客户状态，并将结果交给策略引擎形成下一步动作。尤其在贷后催收中，可进一步推动从单纯依赖 DPD 的策略，演进为“规则 + 风险模型 + 语义决策 + 工作流”的组合式架构。
• 09.17 10:34:35
  发表了文章 2026-09-17 10:34:35

  【第三部分：第一个 Agent 应用】13. 为 Agent 增加记忆能力：不是记住一切，而是在需要时想起正确的信息

  本文围绕 Agent Memory 展开，重点说明记忆并不是简单保存全部历史，而是从对话、任务和工具结果中提取值得长期保留的信息，并在未来任务中按需召回。文章区分当前对话记忆、会话记忆、任务记忆、用户长期记忆、语义记忆、情景记忆、程序性记忆、工作区文件与项目知识，并进一步介绍 Memory Capture、Recall、更新、冲突处理、遗忘、作用域、权限与记忆污染等问题。核心观点是：Memory ≠ History，真正成熟的 Agent 应该记住有价值的信息，并在正确的时机重新进入 Context。
• 09.07 08:41:32
  发表了文章 2026-09-07 08:41:32

  【第三部分：第一个 Agent 应用】12. 使用状态机开发一个可控 Agent

  本文围绕“使用状态机开发一个可控 Agent”展开，以需求分析 Agent 为例，介绍 State、Node、Edge、Conditional Edge、Checkpoint、Interrupt、Resume 与 Human-in-the-Loop 等核心机制，并通过 LangGraph 代码说明如何把自由 Agent Loop 收束为可分支、可循环、可暂停、可恢复的业务流程。核心思想是：状态机负责确定性的流程控制，Agent 负责节点内部的理解、推理、RAG 与 Tool 调用，实现“确定性的骨架 + 概率性的智能”。
• 09.01 08:41:52
  发表了文章 2026-09-01 08:41:52

  【AI时代软件项目管理系列】6.AI 参与软件项目，边界和责任怎么定？从“能做”到“可控执行”

  AI 进入软件项目后，真正需要解决的不只是“能不能做”，而是“能做到哪一步、什么结果可以生效、最终由谁负责”。项目应围绕数据、工具、执行和输出四类边界进行治理：限制 AI 可访问的信息与工具范围，按风险控制执行权限，并通过自动验证、人工审核和项目基线形成责任闭环。成熟的人机协同不是让 Agent 权限越大越好，而是在明确边界下提升执行效率，同时保证结果可验证、过程可追溯、责任有人承担。

2026年08月

• 08.26 22:07:04
  发表了文章 2026-08-26 22:07:04

  【第三部分：第一个 Agent 应用】11.Spring AI、LangChain4j、LangGraph 到底帮我们封装了什么？

  本文承接“手写最小 Agent”，从框架抽象层级出发，分析 Spring AI、LangChain4j、LangGraph 等主流 Agent Framework 究竟封装了什么。Spring AI 更适合将 AI 能力融入 Spring 应用，LangChain4j 强调 Java Service 化与类型化开发，LangGraph 则擅长状态、分支、循环、检查点和长任务编排。文章同时结合 Qwen-Agent、AgentScope 等国内开源框架，说明 Agent Framework 并没有改变 Agent Loop 的本质，而是在其外围补齐 Memory、RAG、State、Retry、
• 08.23 12:02:43
  发表了文章 2026-08-23 12:02:43

  【AI时代软件项目管理系列】5. 项目启动阶段如何给 AI 分任务？从任务清单到 L0～L5 参与度设计

  项目确定引入 AI 后，下一步不是继续讨论“能不能用”，而是明确“哪些任务交给 AI、参与到什么程度”。文章从项目任务清单出发，将工作划分为 AI 主要执行、AI 生成 + 人确认、人主导 + AI 辅助、人负责决策四类，并结合 L0～L5 参与度进行分级。通过具体项目示例说明，同一个需求内部也可能采用不同的人机分工。最终应把 AI 任务正式纳入 WBS、项目计划和责任体系，持续评估采用率、返工、缺陷和验证成本。
• 08.21 11:48:19
  发表了文章 2026-08-21 11:48:19

  WPS、WPT 文件到底是什么？企业系统处理这两种格式的原理与技术方案

  随着 WPS 在国内办公场景中的普及，.wps、.wpt 已成为 OA、合同、档案、知识库等系统必须面对的常见格式。由于两者内部结构并不完全统一，也缺少像 OOXML 那样成熟公开的解析规范，处理时不能只依赖扩展名判断。本文从真实格式识别、容器结构、POI 支持边界、大文件内存风险、格式规范化和工具选型等方面展开，并介绍 ONLYOFFICE、LibreOffice、BaseMetas IDP 等处理思路，给出适合企业级文档系统的统一技术路线。
• 08.20 22:28:12
  发表了文章 2026-08-20 22:28:12

  【第三部分：第一个 Agent 应用】10. 不使用框架，手写一个最小 Agent

  本文通过手写一个最小 Agent，拆解 Agent Loop 的核心机制：模型基于 Messages 判断下一步，必要时通过 Function Calling 选择 Tool，程序执行后将 Tool Result 作为 Observation 写回上下文，再次交给模型继续决策，直到任务完成。文章结合天气查询与计算示例，说明终止条件、异常处理和执行轨迹的重要性，并进一步对照 DeepSeek Harness，展示最小 Loop 如何逐步演进为具备 Session、Tool Registry、权限、恢复和可观测能力的 Agent Runtime。
• 08.17 19:51:43
  发表了文章 2026-08-17 19:51:43

  【AI时代软件项目管理系列】4. AI 时代的软件项目启动：从立项评估到 AI 可行性分析

  AI 并没有让瀑布型项目失效，尤其在政企、定制化和交付型项目中，合同范围、预算、里程碑、阶段评审和最终验收仍然需要明确治理。真正需要改变的是传统严格串行的管理方式。AI 时代的瀑布项目应保留阶段、基线和责任机制，同时引入快速反馈、持续验证和 AI/Agent 赋能，让需求、设计、开发、测试和交付形成更高效的闭环，实现“治理不失控、执行更敏捷”。
• 08.16 19:23:31
  发表了文章 2026-08-16 19:23:31

  【第二部分：大模型应用开发基础】9. RAG 是什么，它与 Agent 有什么关系？——从知识库问答到 Agentic RAG

  RAG 通过文档解析、切分、Embedding、混合检索、Rerank 与引用机制，让大模型在回答问题时能够按需获取企业知识，而不是依赖训练数据“记住一切”。文章进一步介绍 RAG 如何从固定的检索增强生成流程演进到 Agentic RAG：由 Agent 判断是否需要检索、如何规划 Query、证据是否充分，并在必要时继续改写和多轮检索。同时梳理 RAG、Memory、Tool 与 Agent 的边界，强调知识库问答系统并不等同于 Agent，RAG 只是 Agent 获取外部知识的一种能力。
• 08.11 21:48:14
  发表了文章 2026-08-11 21:48:14

  【AI时代软件项目管理系列】3. 瀑布型项目是否还适合 AI 时代的软件研发？从严格串行到“阶段治理 + 快速反馈”

  AI 并没有让瀑布型项目失效，尤其在政企、定制化和交付型项目中，合同范围、预算、里程碑、阶段评审和最终验收仍然需要明确治理。真正需要改变的是传统严格串行的管理方式。AI 时代的瀑布项目应保留阶段、基线和责任机制，同时引入快速反馈、持续验证和 AI/Agent 赋能，让需求、设计、开发、测试和交付形成更高效的闭环，实现“治理不失控、执行更敏捷”。
• 08.10 21:12:16
  发表了文章 2026-08-10 21:12:16

  【第二部分：大模型应用开发基础】8.Structured Output——让模型输出可被程序可靠处理的数据

  Structured Output 是 Agentic AI 连接大模型与业务系统的重要基础能力。相比仅要求模型返回 JSON，它进一步通过 JSON Schema、DTO、运行时校验和业务规则校验，把概率性的模型输出转化为程序可解析、可验证、可执行的数据契约。文章结合 OpenAI 原生 Structured Outputs 与 DeepSeek JSON Output，介绍枚举、日期、金额、嵌套对象、异常修复、有限重试及 Java/TypeScript 类型映射，并强调：JSON 合法、Schema 合法并不等于业务合法，生产级 Agent 必须在结构化输出之后继续进行业务与权限校验。

  
• 08.08 09:50:36
  发表了文章 2026-08-08 09:50:36

  【AI时代软件项目管理系列】2. 从工具到数字员工：AI 在项目团队中的角色演进

  AI 正从个人助手演进为能够规划、调用工具并完成任务的 Agent，进一步形成多 Agent 协作与软件工厂。角色变化带来的不只是效率提升，更是团队结构、任务分配、进度衡量和质量管理方式的重构。项目经理需要把模型、Agent、知识库和自动化流程纳入统一管理，通过明确任务契约、权限边界、质量门禁与人工验收，确保 AI 执行可控、结果可验证、责任可追溯。
• 08.06 21:50:22
  发表了文章 2026-08-06 21:50:22

  【第二部分：大模型应用开发基础】7.Function Calling：让大模型调用真实程序能力

  Function Calling 让大模型从“生成文本”走向“调用真实程序能力”。模型根据工具名称、描述和 JSON Schema 选择工具、生成参数，应用程序再完成校验、鉴权、执行和结果回传。文章结合天气查询、销售数据与计算 Agent，说明并行调用、失败处理、前后端调用及权限控制，并梳理 Function Calling 与 ReAct、Tool、Skill、MCP 的关系：ReAct 负责执行循环，Tool 提供能力，Skill 沉淀方法，MCP 统一连接外部工具和数据
• 08.05 22:33:07
  发表了文章 2026-08-05 22:33:07

  从文档能力到 Agent Skill：BaseMetas IDP 文件预览、格式转换与内容处理解析

  BaseMetas IDP围绕文件预览、格式转换和内容处理构建统一文档能力底座：预览负责让Office、PDF、OFD、图片、音视频、压缩包、CAD、3D等文件在线可见；转换负责将多种格式标准化，支撑预览、归档与智能分析；内容处理负责文档合并、拆分、水印、修订、提取和安全控制。三类能力可进一步封装为Agent Skill，通过结构化参数、异步任务、能力校验和权限控制，使大模型负责理解与规划，文档服务负责稳定执行，推动智能办公、合同审查、知识库和档案管理从“回答问题”走向“完成任务”。
• 08.03 22:10:26
  发表了文章 2026-08-03 22:10:26

  【AI时代软件项目管理系列】1. AI 正在改变软件研发项目管理，而不只是改变写代码

  本文探讨AI如何深度重塑软件项目管理：从代码生成、文档生产、数据分析到Agent协同，AI正推动项目从“人工协作”转向“人机共治”。关键在于将AI纳入流程、质量与责任体系，实现从个人提效到组织级交付能力的跃升。（239字）

  
• 08.03 22:06:14
  发表了文章 2026-08-03 22:06:14

  【AI时代软件项目管理系列】开篇：当软件项目团队中多了 AI，我们需要怎样的项目管理

  AI正深度融入软件研发全流程，从代码生成到AI Agent协同作业，推动项目管理从“管人”转向“管人+AI”。本文探讨AI提效背后的新型挑战——范围膨胀、责任模糊、质量风险等，并提出重构项目管理体系的方法论，聚焦人机协作边界、审核机制与落地工具。

  
• 08.02 22:31:28
  发表了文章 2026-08-02 22:31:28

  【第二部分：大模型应用开发基础】6. Prompt Engineering 与 Context Engineering：生产级 Agent 如何管理上下文

  本文从 Agent 开发实践出发，分析 Prompt Engineering 的作用与边界，说明复杂 Agent 为什么不能依赖超长 Prompt，并系统介绍 Context Engineering 对系统指令、用户目标、业务数据、工具结果、历史消息和任务状态的动态选择、组装、裁剪与压缩。文章结合合同审查 Agent 与 Java 示例，进一步讨论 Context Rot、Token 预算、Prompt Cache、可观测性及 Prompt Injection 防护，帮助开发者建立生产级 Agent 的上下文管理思路。