┌─ ANKER / AI LAB ──────────────────────────┐
│ 系统状态 ● 持续构建中 │
│ 当前角色 AI AGENT 工程师 │
│ 技术方向 LLM / AGENT / 全栈开发 │
│ 当前聚焦 PYDANTICAI / 上下文工程 │
└───────────────────────────────────────────┘
我是 Anker。我的技术起点是前端工程和数字媒体技术,长期使用 Vue、React 和 TypeScript 构建真实可交互的产品。现在,我正在从 Frontend Engineer 走向 AI Agent Engineer,尝试把大语言模型变成能够检索知识、调用工具、理解上下文并自动完成任务的系统。
我更关注真正可落地、可观察、可验证的 AI 系统:数据从哪里来、模型为什么这样回答、工具执行了什么、失败后如何恢复,以及最终结果能否被检查。相比只有一个聊天框的演示,我更希望构建能够进入真实业务流程的智能体。
在编程之外,我也热爱健身。稳定的身体,是持续创造和长期学习的底层硬件。
从“构建人们可以使用的界面”,走向“构建能够理解、决策并行动的智能系统”。
技术矩阵 / 系统能力
| AI / AGENT | PydanticAI LangGraph LangChain RAG MCP Tool Calling |
| 模型生态 | OpenAI Claude Gemini Qwen DeepSeek |
| 前端开发 | Vue React TypeScript JavaScript Element UI ECharts |
| 后端开发 | Node.js Express Spring Boot MySQL Redis |
| 工程部署 | Docker Linux Nginx Git |
用户问题 ──► 知识检索 ──► 上下文构建 ──► 模型推理 ──► 工具执行 ──► 可验证结果
│ │ │
QDRANT SESSION MEMORY GUARDRAILS
当前实验 / 可落地智能体系统
从普通模型聊天开始,逐步搭建完整的本地 AI 应用链路:Ollama → Embedding → Qdrant → RAG → Query Rewrite → Tool Calling → Agent Harness → Session Memory → Web Agent → 执行轨迹 → Guardrails。
它不仅用来展示最终答案,也会把 Chunk、向量检索、Top-K、上下文、工具调用和执行结果完整展示出来,让 Agent 的运行过程真正可观察。
使用 PydanticAI 连接企业私有知识库与经过权限控制的业务数据工具,为企业提供有证据来源的规划建议、辅助决策和风险预警。重要结果必须保留引用、数据依据和人工复核入口,而不是让模型直接替企业做决定。
构建具有类型化工具契约、Session 隔离、同 Session 并发锁、最大执行轮数、结构化错误回传、工具白名单与完整执行轨迹的 Agent Runtime。目标不是制造一个不可解释的黑盒聊天机器人,而是构建可靠的自动化系统。
真实项目 / 开放源码
01 — Local AI Learning
从零学习和实现 Ollama、Embedding、Qdrant、RAG、Agent Harness 与 SQLite Session Memory 的端到端 AI 工程项目。
LLM · RAG · Qdrant · Agent · Python
02 — AI Fitness
融合组间歇计时与 AI 智能陪练体验的健身应用,探索 AI 能力如何进入具体产品场景。
AI 产品 · TypeScript · 前端开发
03 — Prompt Optimization
选中文本后即可调用 AI 进行提示词优化的轻量工具,让模糊想法更快变成清晰、有效的 Prompt。
AI 工具 · JavaScript · 提示词工程
04 — Mathcity
结合 Vue、ECharts、Node.js 与 MySQL 的智慧城市数据可视化系统,重点呈现复杂数据的交互与表达。
Vue · ECharts · Node.js · MySQL
系统状态 / 持续学习中
[进行中] PydanticAI 与类型化 Agent 架构
[进行中] Context Engineering 与长会话管理
[构建中] 企业 RAG 与辅助决策工作流
[验证中] Agent 评测、可观察性与安全护栏
[学习中] MCP 生态与可靠的工具执行机制
我的方向很明确:构建能够理解企业上下文、安全使用工具、说明证据来源,并且不局限于单轮聊天的 AI 系统。
代码记录 / 持续构建 / 开源实践