这里主要记录我在做 AI 应用时反复遇到的问题：任务怎么定义、Agent 怎么编排、 Prompt 怎么维护、体验怎样才算真正可用。
四个真实项目，分别回应 Agent 控制、框架学习、知识检索与技术内容生产。
Codex、Claude Code 与已审批 Skill 各自运行时，路由、权限、长任务和交付状态缺少一个可审计的控制面。
统一 execute / watch 接口，覆盖工作流与角色分工、预算审批、暂停恢复、事件账本和隔离 worktree。
大型框架的抽象会遮住 Agent 的核心机制，新手很难看清模型决策、工具执行与消息回填如何构成闭环。
从最小 Agent 循环扩展到 memory、trace、guardrails、RAG、workflow、受控 multi-agent 与确定性 eval。
私有资料上传后仍散落在文件与会话中，缺少可维护的解析、索引、检索和连续对话链路。
文档上传与任务构建、稠密检索、会话记忆、Provider 路由与故障切换，并提供真实 Milvus E2E 验证路径。
从日报、笔记与外部来源到可发布内容，研究证据、人工审批、长任务恢复和成本边界尚未串成稳定流程。
计划覆盖材料导入、引用核验、三段审批、文章与短视频生成、质量检查及完整发布包导出。
我更在意怎样把 AI 能力接成一条真正能长期维护的产品链路。
在开始接模型前，先定义用户到底想完成什么、结果怎样算好、什么情况下应该中断或交还给人。
我会同时关注输入结构、上下文装配、输出 schema 和版本管理，让 prompt 可以被维护、测试和比较。
面对 agent、tool use 和 automation，我更关注状态暴露、失败路径、权限边界和人工接管，而不是单纯追求自动化感。
每次迭代都尽量留下问题、改动、观察和结果，慢慢形成一套能复用到下一版产品里的方法。
从公开来源筛选每天值得继续跟踪的 AI 信号，保留事实、判断、原始链接和行动建议。
这里记录的不是大而全的教程，而是我在做 AI 应用时反复碰到的具体问题、判断和复盘。
把上下文视为最小充分工作集，把记忆视为有进入、更新、验证和退出机制的工作资产。
模型输出只是能力起点，真正决定体验的是任务边界、反馈、容错与成本控制。
多步任务的可靠感来自进度可见、中间状态清楚、失败能回退，而不是让 agent 看起来更自动。
更稳定的 AI 应用，往往来自输入 contract、输出 schema、版本管理和评估方式，而不是灵感型 prompt。
我想用这个网站持续记录 AI 应用开发中的实验、复盘和方法沉淀，而不只展示最后成品。
我希望这个站点慢慢长成一个关于 AI 应用开发的方法索引，而不只是个人介绍页。
我关注 AI 能力和产品体验之间那段最容易失真的地带：需求怎么收束、交互怎么解释不确定性、 工具怎么配合、结果怎么被用户信任。
所以这里会同时出现产品思考、界面决策、prompt 设计、agent workflow、评估方法和一些实现层面的记录。 它们对我来说不是分开的模块，而是同一条开发链路。
如果你也在做 AI 应用、Agent 工具或面向真实任务的智能工作流，希望这个站点能慢慢成为一个能交换经验的地方。
欢迎从一个具体问题开始交流，比如任务边界、信息架构、prompt 接口、状态设计、 评估方式，或者原型到前端落地的路径。
这些联系方式先保留占位，后面可以直接替换成真实入口，不影响现在继续写和继续发。