在当前开源项目极为丰富的背景下，付费资源并不一定意味着最前沿的技术优势，在具体执行层面展示出自己的独特价值，才是简历上最重要的加分项。1. WebMCP — 让网站主动告诉 AI 该怎么操作AI 操作浏览器的方案一直靠"猜"——截图识别、DOM 解析，错误率 15-30%。WebMCP 反过来，让网站自己声明能做什么，AI 直接调用结构化接口，准确率接近 100%。Chrome Canary 已实装。企业内部系统的 WebMCP 适配目前几乎没人做，是明确的蓝海。推荐理由：简历上写的不是"我会用某个框架"，而是"我在标准刚发布时就做了企业适配&...

之前团队在做合同审查和研报问答两个 RAG 项目，踩了不少分块（Chunk）相关的坑。今天把这块经验整理一下，希望对正在做类似事情的朋友有点帮助。先搞清楚 Token 这个概念做 Chunk 之前，得先理解 Token。很多人把 Token 简单等同于"字"或"词"，这不太准确。Token 是模型实际处理的最小单元，中文大约 1.5-2 个字对应一个 Token，英文则大约是 0.75 个单词一个 Token。这件事为什么重要？因为不同类型的文档，Token 密度差异很大。我们实测过：一份 20 页的中文合同，大约 8000-12000 个 Token；...

一、岗位定位与能力模型AI 应用开发工程师的核心职责，是将大模型能力以工程化的方式集成到业务系统中，完成从"模型可用"到"产品可交付"的最后一公里。该岗位要求候选人同时具备扎实的后端工程能力与对 AI 应用架构的深入理解，而非侧重于模型训练或算法研究。技术能力可划分为两个主轴：后端工程侧（Java / Python） 与 AI 应用侧（LLM 编排、RAG、Agent、协议与工具链）。二、后端工程技术栈Java 方向： 以 Spring Boot 为核心框架，掌握 Spring Cloud 微服务体系（Gateway、Nacos、Feign）、消息队列（...

公司前一阵子在折腾 LangGraph，想把团队里从需求到上线的整个编码流程串起来。传统的 CI/CD 管道大家都熟，但如果把 LLM 能力嵌进去，让每个环节都带上"智能判断"，体验完全不一样。这里分享下我的方案和踩坑记录。为什么选 LangGraphLangChain 的 Chain 模式是线性的，而真实的开发流程充满分支——代码写完可能要打回重写，合规审查不过要回到开发阶段。LangGraph 天然支持有向图 + 条件路由，节点之间可以灵活跳转，非常适合这种有状态、有循环的工作流。整体架构我把流程拆成五个核心节点： 需求分析 → 代码开发 → Code Review →...

前几天开会，老板在会议上说：依托于当前Claude Code强大的开发能力，我自己就已经可以完成具体的开发工作了，那你们的价值在什么地方？在于区别于ai的创造能力和思维价值，但这些随着ai的发展同样也会大规模涌现，所以必须要乘上ai的快车。诚然，最近身边不少同事都在聊OpenClaw和它衍生出来的一系列架构类应用，确实，这些工具的能力已经强到有点"离谱"了——从代码生成、架构设计到自动化测试，几乎覆盖了开发流程的大半环节。有人觉得这是程序员的福音，也有人开始焦虑：我会不会被替代？说实话，这种焦虑完全可以理解，但如果冷静下来想想，事情没那么简单。冲击是真实的，但没那么致命先说...

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...

在生成式AI广泛应用的企业环境中，高质量的Prompt是释放大模型能力的关键。然而，一线员工的prompt engineering能力差异较大，分布不均，且通过一线使用人员独立维护的话，会导致最终输出结果的不可控，即导致输出质量参差不齐。通过建立标准化的Prompt模板，可以大幅提升AI应用的稳定性和效率，降低试错成本。本文将分享几种适用于企业内部的Prompt模板，并结合实例说明其用法。一、标准化模板的价值企业级Prompt模板旨在将复杂任务拆解为清晰的指令框架，确保模型理解一致。其核心要素包括：角色定义、任务描述、输入格式、输出要求及约束条件。标准化后，通过维护字典进行后端调用，可以确保使...

实习期间参与的项目，聚焦于合同审核场景，本文以合同审核为例，针对在垂直落地场景中，为什么需要做sft微调展开简单的讨论和个人的一点见解。 传统合同审核系统依赖规则编写和关键词匹配，局限性突出： 一是规则需人工逐条维护，新增合同类型（如技术许可合同）时，需重新梳理数百条规则，迭代效率极低； 二是无法处理模糊表述，如“合理期限内整改”“适当补偿”等条款，关键词匹配会直接漏判； 三是不具备推理能力，无法关联多条款风险，如管辖地与争议解决方式的逻辑冲突。二、为什么需要SFT——教模型学会“思维”对合同审核场景而言，基座模型就像刚掌握法律基础的实习生，懂术语但不懂业务判断，SFT本质就是用高质量业务数据...

在前文agent实习都干什么？深入了解项目构成(一) 对日常工作进行了大概的分享后，本文是我在工作中对于方案设计的一些小思考和对于架构的粗浅理解，希望和大家共同讨论进步(完全脱敏)。一、方案设计(以敏感词为例)敏感词审核作为功能模块的组成，其本身多聚焦于与文档进行交互，需同时满足“实时响应”和“高覆盖率”，因此架构设计阶段确定AC自动机+AI双轨方案：AC自动机做基础筛查：合同审核场景下敏感词库规模庞大，AC自动机针对文档识别时间复杂度为O(n)（n为文档长度），能以低于10s的延迟完成固定敏感词的字面匹配，满足高并发下的效率要求，但仅能识别精准匹配的词汇，无法处理谐音、变体或语义衍生的隐性违...

继前文agent实习都干什么？深入了解项目构成(一)继前文对项目改造进行讨论后，本文将主要聚焦于实习日常的工作及在工作中的一些思考。项目初期 作为一个实习生，通常会按能力进行项目职责的分配，当时由于前期表现较好，所以分配的项目会较为核心一点。 项目初期流程通常分为如下几步: 接到需求 -> 分析需求，任务调研，确定方法架构，mvp构建 ->项目开发 -> 初版sit+uat 与练手项目不同的是，企业项目通常不会在初版就尽善尽美，所有的功能都是按版本进行逐步迭代，稳定性的重要性要远远大于复杂性。所以大家在构建项目时，思路可以放在如何尽快产出mvp，如何确保项目稳定性，高可用性以...

ai应用开发作为新兴岗位，许多同学对于其岗位构成，岗位职责等都尚有些模糊，因此我将我在相关实习中的工作内容进行简单总结，抛砖引玉，以期能对大家有一些帮助。项目背景 我在公司中做的最主要的项目即合同文档智能审核系统，这个是企业风控及降本增效的核心组件之一，传统Java微服务架构下，敏感词审核、错别字校验、风险分析等模块存在服务耦合度高、AI能力集成成本高、策略调整需全量发布的问题。MCP（Model Context Protocol）作为标准化工具调用协议(即JSON-RPC协议)，结合multi - Agent架构可实现工具层与业务逻辑层解耦，既保留微服务模块化优势，又提升系统对AI能力的适配...

本文以有java后端基础/python基础如何转向ai开发岗进行讨论分析。 个人bg : 专升本，26届双非硕，硕士转码，25.6 - 26.2 小厂ai应用开发实习，入职前ai相关项目 * 1 ，春招面试时含公司实习项目共计10+ai相关项目(简历体现4个)，ai相关内容学习实习前累计1m左右，深入了解时长等同于实习时长。  重要经历 ：实习期间参与三个ai项目开发，垂直领域涉及金融审核相关业务(涵盖文档、检索、分析、agent等)1. ai应用开发岗是什么？涉及什么？ ai应用开发岗作为新兴岗位，主要分为两部分: 上游任务(偏向于算法) : 模型后训练，微调(SFT,QLora) ,场景定...

继前文Ai浪潮是双非硕的机会还是完全无缘？(一)分析岗位特性后，本文主要介绍为什么选择ai应用开发。 前言: 25.5-25.10 boss直聘java后端开发岗累计打招呼1500+份，简历邀约130份，面试邀约18家，0主动询问； 25.10-26.1 boss直聘ai应用开发岗累计打招呼130+次，简历邀约50+份，面试邀约40+，20+主动沟通。岗位数量充足。当前AI行业正从技术研发向落地应用转型，2025年1-7月AI新发岗位量同比增长超10倍，超1000家企业发布7.2万个AI相关岗位，其中AI应用开发岗位占比极高。区别于算法岗对于学历及论文的硬性门槛，ai应用开发更看重项目经验及实...

先说结论，ai的蓬勃发展对于秋招说来讲毫无疑问是绝佳的机会，从我的角度来看，建议有后端基础的可以全面拥抱ai应用开发岗。  本文从个人秋招视角出发，浅谈各岗位难度差异，以及ai浪潮下为什么要选择ai应用开发这个岗位(综合难度结合周围同学经历，评价较为主观)。 互联网行业的秋招主要分为以下几个大类: 算法岗(含ai infra) : 语言以python为主，毫无疑问的待遇天花板，门槛极高，学历非双九基本机会不大，综合难度5⭐； java后端开发岗：极卷，岗位多，人也多，ai面/笔试/2-3轮技术面，流程教程，难度较大，主要围绕八股及算法，双非有垂直大厂实习经验也有机会，但在横向比较时不占优势，综...