一些关于软件工程、系统设计
与 AI 使用的记录
写下过程、取舍和复盘，也记录学习新技术的方式
"不要回避不懂的东西，把它弄明白，再做深一点。"
"天下代码一大抄，抄来抄去有提高，看你会抄不会抄。"
True Code
Agent 祛魅：回归工程现实
从智能幻想到工程现实：我的 Agent 构建思考与实践记录
Step 01
建立「认知管」
重塑思维模型
刻意搭建一套反直觉但正确的 Agent 工程认知体系，帮助 Java 开发者跳出传统编程范式，理解 Agent 系统设计的底层逻辑。
Step 02
工程逻辑拆解
六大设计维度
从控制流编排、状态管理、决策边界、知识获取、行动管理到可观测性，全面拆解 Agent 系统的核心工程维度。
Step 03
技术映射原则
工程化落地方法论
将设计维度映射到具体技术实现，涵盖 AgentScope 流程编排、Spring AI RAG、Function Calling、多级记忆系统与 LLMOps 监控。
Step 04
完整系统落地复盘
真实项目实战
通过简历分析 Agent 和辩论机器人 Agent 两个完整系统的搭建，将所学知识串联为可交付的工程成果。
Engineering Dimensions
六大核心工程维度
系统化拆解 Agent 工程的每一个关键设计维度
控制流与编排模型
LangGraph / 状态机 / 循环
掌握 Agent 编排的核心范式，构建灵活可控的任务流转逻辑
状态与上下文模型
存储 / 记忆 / Session
基于 Redis 与 Postgres 构建多级记忆系统，实现上下文的高效管理
决策与规则边界
LLM vs Rule vs Human
明确 AI 决策与规则驱动、人工干预之间的边界与协作机制
知识获取与约束
RAG / Re-rank
通过 Spring AI 实现进阶 RAG 实践，提升知识检索的准确性与相关性
行动与副作用管理
Tool / Function Calling
深入理解 Function Calling 的工作原理与安全边界设计
可观测性与稳定性
性能 / Tracing / 纠错
在 Spring Boot 中落地 LLMOps，构建全链路监控与异常追踪体系
What You'll Unlock建立正确的认识
With AI与 AI 合作
What You'll Unlock你将解锁什么
Agent 并不是一种新的系统形态，它只是一次决策方式的工程升级。
大量文章、视频、演讲不断强调：Agent 会成长、Agent 有人格、Agent 能自我反思、Agent 像人一样工作、协作、进化。这些说法听起来令人兴奋，也极具传播力。
Agent 做不到。这不是哲学判断，是工程事实。 如果 Agent 真的会“反思”，系统将无法上线;
Agent既不能决定是否继续运行，也不能突破你写下的控制逻辑。
记忆必须是持久的、可累积的、并且会自动影响未来决策。而 Agent 一个条件都不满足。
LLM 天生不可能拥有记忆,这是一个物理级别的事实，而不是设计缺陷。
Agent 并不是来取代工程系统的，而是用来处理规则系统最痛苦的部分，Agent 是“模糊规则”的执行器。
如果你把 Agent 的定义抽象到最低层,根据输入状态选择下一步动作,并驱动系统执行.那么你会发现：工作流引擎、规则引擎、决策树、状态机本质上全都是 Agent
所有混乱，都始于一个错误的心智模型,Agent 项目之所以容易失控，并不是因为 LLM 太复杂，而是因为：人们在“怎么想它”这一步就想错了。
一旦你做一个非常简单的认知替换：Agent = 一个不稳定、但有价值的业务组件,事情立刻开始变顺。
不再试图：模拟人类智能、复刻人类思考、设计“人格”，你只是在做一件非常工程化的事：用概率判断，替换掉最痛苦的规则维护区。从“智能体崇拜”回到“系统责任制”
一个反高潮的结论：弱智能，反而更安全
这是很多人最不愿意接受的一点。但工程上必须直说：有些责任，系统不能承担。Agent 只能“辅助”，不能“负责”。