AI Builder · AI Systems Architect

我关心的不是「模型还能多聪明」，而是：怎样把一个模糊的真实问题，组织成可理解、可验证、能持续运行的 AI 系统。

I turn messy workflows into reliable AI systems with explicit context, state, evaluation, and human authority.

模型能力越来越强，但真实工作依然会失败：上下文会丢、状态会过期、工具会误用、结果无法验收，责任也常常没有明确归属。

我的工作方式是先理解用户、业务和约束，再设计 Context、State、Tool、Evaluation 与 Feedback Loop。AI 负责处理信息和执行任务，人保留目标、取舍与最终责任。

模型负责能力，Harness 负责可靠性，人负责方向。

把「投资时保持纪律」从意志要求改造成系统约束：判断会过期，高风险动作有时间锁，执行者不能给自己签字，正式写入必须经过 Reviewer、Validator 与 Human Merge。

AI Harness · Human-in-the-loop · Evaluation · 189 validation tests

不是再做一个运动数据面板，而是回答一个人的真实问题：今天身体为这次训练付出了什么，以及为什么？ 系统把 Apple Health / COROS、天气和个人历史基线放进同一条解释链，并默认保护路线隐私。

Local-first · Personal baseline · Health data · 35/35 E2E

把多平台信息获取、筛选、深度萃取、队列调度和消息交付组织成稳定管线。目标不是读得更多，而是减少噪音，让真正有增量的信息进入可追踪的知识系统。

Production pipeline · Multi-source · LLM evaluation · 332 tests

从「信息抓取」继续向「信息消费」推进：把深度萃取、阅读、批注和再生产放进一个完整产品界面。它是对产品形态和商业边界的探索，而不只是一个抓取脚本。

Product thinking · Full-stack · Prompt as configuration

大多数 Agent 教程在解释怎么写代码，这个项目换了一个问题：面对一个业务场景，产品真正需要演进到哪一级 Agent 能力？ 用框架对比练习架构判断，而不是追逐框架名称。

Architecture decisions · Product thinking · Learning system

从真实兴趣出发的轻量产品实验：根据徒步者的性格、体能和体验底线推荐路线，验证「用户理解 → 产品判断 → 快速实现」的完整过程。

Product prototype · User context · TypeScript

真实的人与场景
      ↓
理解上下文，定义真正的问题
      ↓
选择数据、AI、工具与流程
      ↓
建立 Harness、权限与失败边界
      ↓
用 Evaluation 验证结果
      ↓
人做取舍，反馈进入下一轮系统

我不追求把所有细节都交给 AI，也不把实现本身当作目标。我更在意：问题是否值得解决、系统是否真的可靠、结果能否被验证，以及它是否为真实的人创造了价值。

• AI Harness Engineering
• Data & AI Productization
• Human-in-the-loop Systems
• Evaluation, State & Feedback Loops
• Business Context → Reliable Delivery

正在把这些项目里的方法迁移到真实 B2B 工作流：从需求访谈开始，把一个具体流程推进到可验证、可交付、异常有人负责。

背包、摄影、徒步，也看阿森纳。对我来说，探索不是收集更多新鲜事物，而是走进真实现场，再把看到的问题做成能运行的东西。