Plbear | 后端架构 · AI工程 · 云原生

先说背景 上一篇《AI Agent 会撒谎》的结尾，我把验收全部改成了可复算的机械判据：每个任务都有断言，跑一下就知道过没过，Agent 想耍嘴皮子都没机会。这套东西上线之后，看板确实干净了很多——没有「基本完成」，没有「差不多」，只有过与不过。 ...

先说那个数字 看板上一共 11 条内容线任务。选题是选题，提纲是提纲，脚本是脚本，素材映射是素材映射。 成稿 0 篇。发布 0 篇。 这不是 Agent 偷懒。恰恰相反，每一条我都验收通过了，每一条都有字节数、有 mtime、有内容。它们把「准备」这件事做到了极致，做到我挑不出毛病——因为我把验收标准写成了"交一份选题单"，而它们真的交了一份很好的选题单。 ...

起因 我手头有一个岗位匹配的检索场景。老系统一套 ES 7.6.2，岗位和简历都靠 BM25 匹配。问题很具体：拿一份「中高层餐饮管理岗」的简历去搜，排第一的是一个完全不搭的一线服务岗，第二「餐饮总监」，第五「餐饮部资深员工」。词都对上了，岗位不太对。 ...

让大模型解析一部小众动画，它输出逻辑自洽、结构工整的逐集分析，但集名人物全错——把另一部相似转描动画整个嫁接了过来。从 next-token 预测、向量空间混叠、上下文锁死四层机制拆解这次高阶幻觉现场。

从零配置 GitHub + jsDelivr CDN 免费图床方案，实现博客图片的快速访问与管理。

用 dart:io 零依赖给本地 App 加收件服务：浏览器扩展 / 剪贴板 / 脚本三入口一键收藏到 Obsidian，Token 鉴权 + 协议白名单 + 失败降级，附完整实现与踩坑。

从零手写一个基于 FastMCP 的信息获取 MCP Server：RSS 解析、网页转 Markdown、免 Key 搜索，让 Claude/Cursor 等 Agent 直接读取任意信息源。含架构设计、踩坑记录、三层验证体系与接入教程。

2026 年 AI 工程化在往哪走？Agent 协作标准化、MCP 生态成熟、本地优先崛起、评估驱动开发——十个值得投入的方向和我的投入建议。

把 MCP Server 从本地 Demo 推向生产环境，需要解决鉴权、限流、数据脱敏、审计日志、会话隔离、容器化部署等一堆协议之外的问题。这篇文章用一个完整的开源模板 fastmcp-enterprise 讲清楚企业级 MCP Server 的落地全流程，附可运行的完整代码。

AI 应用有没有’架构’？有：交互层、编排层、能力层、数据层。从单体 Prompt 到分层系统，AI 应用架构的演进路径与分层模式。