AI 工程落地，先从场景边界开始
AI 项目真正的起点不是模型参数，而是场景、边界、反馈和责任链。
Archive
文章归档
按时间整理技术文章和工程记录。每篇文章尽量保留背景、步骤、验证方式和剩余风险。
从云建站迁到自己的静态博客
用普通 HTML、CSS、Markdown 源稿和 nginx 托管，减少供应商绑定，也降低维护成本。
RAG 知识库不是把文档丢给向量库
RAG 的核心是知识组织和检索治理，向量库只是其中一个执行环节。
提示词工程的价值，在于减少含糊协作
好的提示词不是魔法咒语，而是把任务、约束、输出格式和验收标准说清楚。
AI Agent 要先限制权限，再谈自动化
Agent 的价值来自行动能力，但风险也来自行动能力，权限边界必须先设计。
AI 评估要从示例演示走向回归测试
AI 能不能上线，不能只看几次演示效果，而要看长期样本上的稳定表现。
AI 数据治理，重点是让数据可被信任
AI 系统吃进去的是数据，输出的是判断；数据不可信，模型再强也只能放大混乱。
AI 成本与时延，要在设计阶段就算清楚
模型能力不是唯一指标，成本、时延、缓存和降级方案决定了系统能否长期运行。
给已有公网入口补上 HTTPS 静态站点
记录在不打断既有用途的前提下，为同一台服务器增加 HTTPS 静态站点的思路和验证方式。
私有化 AI 不是把模型搬进内网就结束
私有化部署解决的是数据边界问题，但还需要权限、审计、评估和运维能力配套。
多模态 AI 的重点，是把不同输入变成同一条工作流
图片、语音、表格和文本不是炫技入口，而是业务流程里不同形式的证据。
团队采用 AI，先改变工作方式再谈工具数量
AI 工具越多，越需要共同的使用规范、案例复盘和质量标准。