阔别三年，久违了
Hi，大家好呀。已经很久没在掘金上写文章了，上次发文章，也是三年前的事了。这三年也不是没想过写点什么，但每次打开编辑器，敲几行字又删了...
可能"也许没什么好记录的吧"。哈哈～
今年有些不一样：这一年做的事情，可能是我这几年工作以来比较有"沉淀和进步"的一年。AI的浪潮真正席卷到了我们日常工作的每一个角落。从年初的观望，到年中的All in，再到现在真正落地了一些能力。
所以，25年的最后一天是值得记录下来，给这一年画个完美句号。
当然哈，除了技术方向上的一些唠叨，也开心的聊聊这一年的生活、还有一些零碎的感悟。
如果可以，听首歌，慢慢看。
生活：最大的变化，是角色的转换
在消失的三年中，我成了家。有了一个可爱的女儿"柚柚"。
说实话，当爸爸这件事，比写任何代码都难。代码不行可以重写，bug可以debug，但小朋友的每一个哭声、每一次发烧，我都很局促...
女儿刚出生的那几个月，我经历了人生中最混乱的时期。白天在公司开会、写代码、处理线上问题；晚上回家换尿布、冲奶粉、哄睡觉。有一次凌晨2、3点，女儿发高烧，第一次面临这个问题手忙脚乱，夜里开车带着小孩去医院急诊。那种揪心，着急，相信每个新手爸妈都会和我一样，不知所措。
也分享一些没体验过的时刻：
- 她第一次对着我笑，嘴角弯弯的，眼睛亮亮的；
- 她会用小手抓住我的手指，攥得紧紧的不肯放；
- 她会"啊啊"地跟我"对话"，虽然听不懂，但我每次都认真回应。有时候加班回家晚了，她已经睡着了。我就在床边坐一会儿，看着她的小脸，觉得一天的疲惫都消散了，很开心。
成家、当爸爸，这些事情让我更加有动力给她们更好的生活。这对我来说弥足珍贵。
技术：核心三件事
今年工作上最大的感受：AI从"能用"到"好用"，要走的路很长，做的事很多。
年初那会儿，大模型已经火了快一年，各种Agent框架、RAG方案遍地开花，再加上DeepSeek横空出世带来的冲击，感觉AI的门槛一下子被拉低了：好像谁都能花三天时间搭一个"智能助手"出来。
但真正想把AI落到实际业务里时，会发现：跑通一个demo和做出一个能用的产品，完全是两回事。所以这一年主要做了三件事：搭知识库、建Multi-Agent架构、做上下文工程。
首先是知识库 - 让AI"懂业务"
大模型最大的问题是什么？它什么都知道一点，但对你的业务一无所知。
我涉及的场景是测试领域------需求文档、接口文档、历史测试用例、业务规则......这些知识散落在各个系统里，格式不一，质量参差不齐。直接丢给大模型，它根本理解不了。所以第一件事，是搭建一套企业级的知识库。
核心思路："先结构化，再向量化"：
-
知识入库：把各种来源的文档统一采集，做清洗、去重、脱敏
-
语义增强：不是简单存原文，而是提取实体、关系、关键信息，形成结构化的知识单元
-
多维向量：不同粒度的内容用不同的向量策略------句子级捕捉语义细节，段落级理解上下文，文档级把握整体主题
-
混合检索：向量检索 + 关键词检索 + 规则过滤，多路召回再统一排序
做完这套，AI的回答就不再是泛泛而谈的看似正确的废话了～
这里贴一些图吧：
系统架构
数据处理 
紧接着就是Multi-Agent - 复杂任务规划协作
为什么会需要到 Multi-Agent呢？单个Agent能做的事是有限的。当任务变的比较复杂的时候：比如"读懂一份需求文档，提取测试点，生成测试用例，还要参考历史Case"塞进一个Agent里，prompt是很爆炸的，效果大打折扣。
所以做了Multi-Agent协作架构。核心设计是"理解 + 任务制定 + 分工 + 协作"：
-
专业化Agent：文档理解Agent专门做文档解析，用例生成Agent专门做Case设计，知识检索Agent专门做召回。这样就可以保证每个Agent职责单一，能力聚焦
-
调度层：上层有一个统一的masterAgent负责理解用户意图，把任务分发给合适的Agent，再把结果整合起来
-
灵活编排：支持串行、并行、条件分支等多种编排模式，根据场景选择合适的执行策略
-
可观测性：完整的执行链路追踪，每个Agent的输入输出都能看到，调试和优化有据可依
这套架构跑起来之后，复杂任务的完成质量明显提升，而且每个环节都可以单独调优，不会牵一发动全身。
一个体会：Multi-Agent的核心是"让对的Agent在对的节点做对的事"。
同样贴两张图，互相学习（不会放太多，只做简单说明哈）：
单Agent与Multi-Agent架构对比 
端到端测试工作流 
最后上下文工程
今年有个很火的观点："Prompt Engineering已死，Context Engineering当立"。
技术有时候革新的太快，还沉浸在prompt，知识库等AI领域知识学习的状态中，已经有新东西出来了。为了不掉队，保持学习的低姿态。
看完之后，只有一个感受：有东西！用大模型用得越多，越发现：模型能力是基础，但输出什么样的质量很大程度上取决于：你告诉它什么上下文。
当然，现在上下文也还在初步的尝试，学习使用阶段。目前在上下文工程上做了几件事：
-
上下文压缩：召回内容太多会超token限制，需要智能裁剪：保留最相关的、去掉冗余的、控制在合理长度内
-
上下文增强：不只是塞检索结果，还要补充必要的背景信息、格式要求、few-shot示例，让模型更容易理解任务
-
对话上下文管理：多轮对话中，哪些历史要保留、哪些可以丢弃、怎么做摘要。这是很重要的，因为直接影响对话的连贯性和准确性
目前的一些尝试，浅显体会是：上下文工程的价值可能是当前LLM应用中被低估了的一部分。个人感受：与其花大力气选模型、调Prompt。不如学习如何使用上下文。
思考&体会
做了差不多大半年AI方向，有一些个人的感受：
第一，工程能力很重要。怎么理解呢？
- 刚开始接触大模型的时候，总觉得模型能力是最重要的------选对模型，问题就解决一大半。后来实践久了发现，选模型只是很小的一部分。怎么组织知识、怎么设计上下文、怎么让多个Agent配合起来......这些才是真正决定效果的核心！！！有时候换个更强的模型，可能效果是提升了；但把上下文设计优化一下，效果能提升更多。所以工程能力设计才是核心竞争力。
第二，用户不在乎你的技术多牛，只在乎好不好用。
- 比方说召回率再怎么提升，对于用户而言，并不那么重要。用户根本感知不到这个差异。反倒是把loading时间从5秒压到2秒、把结果从"等半天一次性出来"改成"一边生成一边显示"------用户立刻就觉得"哇，这个可以，牛x"。技术指标是给自己看的，用户体验才是给用户的。从做一个优秀的产品视角做好智能化。
第三，别太焦虑，选准方向踏实做。
- 今年AI圈新概念满天飞，每周都有新论文、新框架、新名词。一开始我也是焦虑的，哇，这么多学不过来怎么办...后来慢慢想通了：技术是为场景服务的，不是为了追热点。与其浅尝辄止地追每一个新东西，不如找准几个核心能力，在自己的场景里扎下去，踏踏实实的做，做深做透。反而心里更有底。
最后 "AI真的能提效吗？"
我的答案是：能，但不是你想象的那种"一键生成"。它更像是一个"助手"。能帮你做很多重复性、模式化的工作，但核心的思考、判断、决策，自己决定。
与其焦虑。不如先行 共勉～
愿景
最后聊聊对新一年的期待，共同学习。
技术方向上，我会关注的几个点：
-
知识库：向量检索只是知识库的冰山一角。更完整的知识库应该包括：知识的组织、更新、版本管理、权限控制，以及知识与Agent的深度融合。这块还有很大的能力需要建设。
-
多智能体协作：Agent能根据任务动态组织、能相互学习、能处理冲突。
-
上下文工程：这个词是最近在圈子里很火的概念。核心观点是：对于LLM应用来说，"如何构造输入给模型的上下文"可能比"选择什么模型"更重要。我很认同。
-
Skills技能：让Agent拥有可复用、可组合的"技能"。每次都从头学习，是很笨的。这是Agent能力提升的关键之一。
写在最后
2025年是充实的一年。
技术上，在AI方向有了很多的尝试，落地。学到了很多领域的知识。这是一件很棒的事。我很喜欢。
生活上，我有了家庭和女儿。我是女儿奴，我承认。
2026年，希望能继续保持这个节奏：认真工作，好好生活，捡起写文章的好习惯。
最后的最后，如果你也在做AI方向的工作，欢迎交流。在技术的路上，一起前行～
元旦快乐！