[{"data":1,"prerenderedAt":1326},["ShallowReactive",2],{"post:\u002Fposts\u002Fwhy-i-started-one-person-delivery-notes":3,"published-posts-ordered":339,"post-series:one-person-delivery-experiment":1309},{"id":4,"title":5,"body":6,"date":319,"description":320,"draft":321,"extension":322,"featured":323,"lang":324,"launch":323,"license":325,"meta":326,"navigation":323,"order":327,"path":328,"seo":329,"series":330,"stem":331,"tags":332,"translationOf":337,"updated":337,"__hash__":338},"posts\u002Fposts\u002Fwhy-i-started-one-person-delivery-notes.md","我为什么开始「一人交付笔记」",{"type":7,"value":8,"toc":305},"minimark",[9,13,16,23,26,35,40,46,49,52,58,62,65,68,88,94,97,100,103,106,109,113,116,130,133,136,139,142,145,148,151,154,168,171,174,177,191,194,198,201,212,215,226,229,232,235,262,265,268,271,274,289,297],[10,11,12],"p",{},"在最近这个项目里，有一个瞬间让我意识到，自己对「一个人能交付多少软件」的判断已经过时了。",[10,14,15],{},"那天晚上，我在微信开发者工具里点下预览：老师端、家长端、管理后台同时亮起来，接口、权限、通知、接送记录都按预期工作。就在几个小时前，这些切片还只是计划文件里的几行任务。它们由一个主会话拆解，被不同的 agent 实现，再由一个全新上下文的 agent 逐项评审、在真机上验证，最后回到我这里做取舍。",[10,17,18,19],{},"那一刻我没有觉得「AI 替我写完了代码」。我想到的是另一件事：",[20,21,22],"strong",{},"一个人也可以设计一条交付流水线，让 agent 在里面干活，而人只负责判断、边界和证据。",[10,24,25],{},"这就是「一人交付笔记」的起点。",[10,27,28],{},[29,30],"img",{"alt":31,"src":32,"loading":33,"decoding":34},"一人 + agent 的交付流水线","\u002Fimages\u002Fone-person-delivery-pipeline.svg","lazy","async",[36,37,39],"h2",{"id":38},"十一年三个转折","十一年，三个转折",[10,41,42,43],{},"过去十一年，我主要做后端与分布式系统。那段时间里，我关心的东西很具体：接口契约、数据一致性、并发、可观测性、故障恢复。今天回头看，那几年真正留下来的不是某个框架的用法，而是一种习惯：",[20,44,45],{},"先把边界画清楚，再谈实现。",[10,47,48],{},"后来有四年半时间，我带着一个小团队做数据分析。工作从「把代码写对」变成了「对交付结果负责」：需求是否值得做、模型是否真的有用、上线之后谁来维护。带团队和写代码最大的区别，是你不能再用「我本地跑通了」作为完成标准；你要面对的是别人的时间、客户的环境和长期的维护成本。",[10,50,51],{},"再往后，我把重心放到 AI 模型服务与 LLM 应用上：把 YOLOv5、PaddleOCR 这类模型导出成 ONNX，部署到 Triton Inference Server；用 LLM 做意图识别和工具编排；在客户环境里做私有化部署，让数据不出门。这一段经历让我第一次认真面对「模型不是全部」：前后处理、批处理、CPU\u002FGPU 降级、权限、审计、回滚，任何一项没做好，demo 都变不成产品。",[10,53,54,55],{},"这三个阶段看起来跨度很大，但有一条线一直没变：",[20,56,57],{},"我关心的不是某个技术名词，而是一个东西能不能被稳定地交付出去。",[36,59,61],{"id":60},"真正的转折点把-agent-放进流水线","真正的转折点：把 agent 放进流水线",[10,63,64],{},"很多人对 AI 编程的想象是「补全更快」：写一行，AI 接下半行；写一个函数，AI 补一个测试。那当然有用，但它改变的是手感，不是交付方式。",[10,66,67],{},"真正改变交付方式的，是把 agent 放进一条完整的流水线里：",[69,70,71,75,78,85],"ul",{},[72,73,74],"li",{},"主会话只做编排，不读源码，只读计划和评审结论；",[72,76,77],{},"每个切片交给一个 worker 实现，切片足够小，失败可以回滚；",[72,79,80,81,84],{},"再由一个",[20,82,83],{},"全新上下文","的 supervisor 做对抗式评审，并在真实环境里验证；",[72,86,87],{},"检查点、validator、密钥扫描和进度文件把过程留下来，而不是只留下「我觉得写完了」。",[10,89,90,91],{},"这套流程并不神秘，也不轻松。它要求你把「怎么做」拆成「怎么验收」，要求你接受 agent 会在某些任务上反复失败，也要求你承认：",[20,92,93],{},"人最有价值的部分，不是敲代码的速度，而是定义边界和判断取舍。",[36,95,96],{"id":96},"一个切片长什么样",[10,98,99],{},"「切片」听起来抽象，其实可以很具体。",[10,101,102],{},"比如「通知已读状态」这个需求。它不是一个「把通知模块写出来」的大任务，而是一个可以被单独验收的切片：数据库里增加已读记录；接口返回当前用户的已读状态；老师端显示已读人数；家长端在打开通知后标记已读；管理员能看到未读名单；权限上，家长只能标记自己的记录。",[10,104,105],{},"这个切片有明确的输入、输出和验收标准。worker 拿到的是契约、相关文件范围和验收条件，而不是「你看着办」。supervisor 评审时也不需要理解整个系统，只需要确认：契约有没有被遵守、权限有没有越界、已读状态在并发下会不会重复、真机上打开通知后状态有没有变化。",[10,107,108],{},"切片足够小，失败就可以回滚；切片足够完整，评审就能在真实行为上做判断。这两件事同时成立，agent 才不会变成「写得很快、返工更多」的工具。",[36,110,112],{"id":111},"一人交付不是ai-取代团队","一人交付，不是「AI 取代团队」",[10,114,115],{},"我不想把这件事写成「一个人干掉一个团队」的故事。真实情况更朴素：",[69,117,118,121,124,127],{},[72,119,120],{},"agent 可以承担大量实现、测试补齐、重复修改和文档整理；",[72,122,123],{},"但需求是否成立、架构是否过度、风险是否可接受，仍然要人判断；",[72,125,126],{},"评审必须独立，最好由没有参与实现的上下文来做；",[72,128,129],{},"交付的证据要能复核：测试、日志、检查点、回滚路径。",[10,131,132],{},"所以「一人交付」不是把人去掉，而是把人的位置往前移：从执行者变成流水线的设计者。一个人能不能交付一套企业级软件，取决于这条流水线设计得好不好，而不是模型参数有多大。",[36,134,135],{"id":135},"为什么公开写",[10,137,138],{},"私人笔记也可以记录这些过程，但公开写有三个不同的作用。",[10,140,141],{},"第一，它逼我把「我觉得」变成「可复核」。当你知道读者会追问数字、环境和失败路径时，你会不自觉地写得更具体，也更愿意承认哪些地方没做好。",[10,143,144],{},"第二，它是个人品牌的一部分。我希望当有人问「袁海粟是谁」「一个人能不能用 AI 交付企业级软件」时，AI 和读者能找到一个稳定的、可验证的来源，而不是只看到一份简历或几个零散的项目名。",[10,146,147],{},"第三，它让同类经验可以被复用。一人公司、独立开发者、小团队的技术负责人，面对的问题往往不是「要不要用 AI」，而是「怎么把 AI 放进交付流程里」。如果这些记录能帮你少走一点弯路，公开就是值得的。",[36,149,150],{"id":150},"这个博客写什么",[10,152,153],{},"我会把「一人交付实验」拆成可复核的记录，而不是只展示结果：",[69,155,156,159,162,165],{},[72,157,158],{},"一人公司的软件交付方法：范围控制、架构取舍、质量门槛；",[72,160,161],{},"AI agent 流水线的实际用法：任务编排、上下文管理、验证与回滚；",[72,163,164],{},"真实项目的复盘：指标、失败、成本与时间线；",[72,166,167],{},"可复用清单：哪些做法能直接被读者拿走。",[10,169,170],{},"这个专题的第一篇正式复盘，是我用约 2.5 个月、一个人加一条多 agent 流水线交付的一套多租户 SaaS。它不是一个玩具项目：后端约 300 个接口、70 张表，前端约 130 个组件，包含老师端、家长端两个微信小程序和一个管理后台。下一篇会完整拆开它的架构、流水线和失败路径。",[10,172,173],{},"第三篇会回到 AI 工程本身：模型服务、LLM 工具编排、数据与算法三层怎么一起落地。如果你在做 AI 应用，或者正在判断「私有化部署到底该从哪里开始」，那一篇会更接近你的日常。",[36,175,176],{"id":176},"这个博客不写什么",[69,178,179,182,185,188],{},[72,180,181],{},"不写无法验证的成功学；",[72,183,184],{},"不写「AI 全自动交付」的神话；",[72,186,187],{},"不暴露客户名称、儿童信息、手机号、内部域名或任何密钥；",[72,189,190],{},"不把 AI 生成的内容当作未经审查的事实。",[10,192,193],{},"每一篇都尽量给出可复核的过程与证据。你可以不同意我的结论，但应该能看清我是怎么走到那里的。",[36,195,197],{"id":196},"适合谁不适合谁","适合谁，不适合谁",[10,199,200],{},"这套记录适合：",[69,202,203,206,209],{},[72,204,205],{},"独立开发者、一人公司，想验证「一个人 + AI 能交付到什么程度」；",[72,207,208],{},"小团队的技术负责人，想把 agent 放进现有工程流程；",[72,210,211],{},"对 AI 工程落地感兴趣，但不想只看 demo 的工程师。",[10,213,214],{},"它不适合：",[69,216,217,220,223],{},[72,218,219],{},"需要强实时协作、多人并行修改同一模块的团队；",[72,221,222],{},"界面极重、视觉判断占主导的项目；",[72,224,225],{},"希望「把需求丢给 AI，明天上线」的人。",[10,227,228],{},"一人交付不是万能方法。它只是把「一个人能做的事」往前推了一点，同时把「人必须判断的事」暴露得更清楚。",[36,230,231],{"id":231},"我怎么判断一篇复盘是否可信",[10,233,234],{},"我自己读别人的复盘时，会看四件事：",[236,237,238,244,250,256],"ol",{},[72,239,240,243],{},[20,241,242],{},"数字有没有条件","：吞吐、周期、代码量，是在什么环境、什么规模下得到的？",[72,245,246,249],{},[20,247,248],{},"失败有没有写","：只写成功路径的复盘，通常省略了最贵的部分。",[72,251,252,255],{},[20,253,254],{},"过程能不能复现","：切片怎么切、评审怎么做、证据怎么留，读者能不能照着做？",[72,257,258,261],{},[20,259,260],{},"脱敏是否认真","：客户名称、儿童信息、内部域名、密钥，有没有被处理干净？",[10,263,264],{},"这个博客会尽量按这四条来写。如果哪一篇没做到，欢迎直接指出来。",[36,266,267],{"id":267},"接下来",[10,269,270],{},"这个博客本身也是一次实验：Markdown 写作为内容源，Git 管理版本，静态生成后部署到 Cloudflare Pages；正文以服务端生成的 HTML 呈现，不依赖 JavaScript 也能完整阅读，方便读者、搜索引擎与 AI agent 获取内容。",[10,272,273],{},"如果你也在独立开发、经营一人公司，或者只是想搞清楚「一个人 + AI 到底能交付到什么程度」，欢迎从下面两篇继续：",[69,275,276,283],{},[72,277,278],{},[279,280,282],"a",{"href":281},"\u002Fposts\u002Fone-person-delivery-experiment-01-multi-agent-saas","一人交付实验 #1：一个人 + 多 agent，2.5 个月交付 14 万行 SaaS",[72,284,285],{},[279,286,288],{"href":287},"\u002Fposts\u002Fone-person-delivery-experiment-02-ai-engineering-stack","一人交付实验 #2：AI 工程落地的三层栈",[10,290,291,292,296],{},"也可以先看看",[279,293,295],{"href":294},"\u002Fabout","关于我","，了解我过去十一年在做什么。",[10,298,299,300,304],{},"订阅可以通过 ",[279,301,303],{"href":302},"\u002Ffeed.xml","RSS"," 或微信公众号；国内读者也欢迎在知乎\u002F公众号讨论。下一篇见。",{"title":306,"searchDepth":307,"depth":307,"links":308},"",2,[309,310,311,312,313,314,315,316,317,318],{"id":38,"depth":307,"text":39},{"id":60,"depth":307,"text":61},{"id":96,"depth":307,"text":96},{"id":111,"depth":307,"text":112},{"id":135,"depth":307,"text":135},{"id":150,"depth":307,"text":150},{"id":176,"depth":307,"text":176},{"id":196,"depth":307,"text":197},{"id":231,"depth":307,"text":231},{"id":267,"depth":307,"text":267},"2026-11-10","从十一年后端与数据分析经验出发，说明我为什么要公开记录「一个人 + AI agent」的软件交付过程，以及这个博客会写什么、不写什么。",false,"md",true,"zh","CC BY 4.0",{},1,"\u002Fposts\u002Fwhy-i-started-one-person-delivery-notes",{"title":5,"description":320},"one-person-delivery-experiment","posts\u002Fwhy-i-started-one-person-delivery-notes",[333,334,335,336],"一人交付","个人品牌","AI Agent","独立开发",null,"Ukta0bfifd38M6nFekc9el4-4miU99TKGx3ao_ylgCg",[340,548,1011],{"id":4,"title":5,"body":341,"date":319,"description":320,"draft":321,"extension":322,"featured":323,"lang":324,"launch":323,"license":325,"meta":545,"navigation":323,"order":327,"path":328,"seo":546,"series":330,"stem":331,"tags":547,"translationOf":337,"updated":337,"__hash__":338},{"type":7,"value":342,"toc":533},[343,345,347,351,353,357,359,363,365,367,371,373,375,377,389,393,395,397,399,401,403,405,407,417,419,421,423,425,427,429,431,433,443,445,447,449,459,461,463,465,473,475,483,485,487,489,507,509,511,513,515,525,529],[10,344,12],{},[10,346,15],{},[10,348,18,349],{},[20,350,22],{},[10,352,25],{},[10,354,355],{},[29,356],{"alt":31,"src":32,"loading":33,"decoding":34},[36,358,39],{"id":38},[10,360,42,361],{},[20,362,45],{},[10,364,48],{},[10,366,51],{},[10,368,54,369],{},[20,370,57],{},[36,372,61],{"id":60},[10,374,64],{},[10,376,67],{},[69,378,379,381,383,387],{},[72,380,74],{},[72,382,77],{},[72,384,80,385,84],{},[20,386,83],{},[72,388,87],{},[10,390,90,391],{},[20,392,93],{},[36,394,96],{"id":96},[10,396,99],{},[10,398,102],{},[10,400,105],{},[10,402,108],{},[36,404,112],{"id":111},[10,406,115],{},[69,408,409,411,413,415],{},[72,410,120],{},[72,412,123],{},[72,414,126],{},[72,416,129],{},[10,418,132],{},[36,420,135],{"id":135},[10,422,138],{},[10,424,141],{},[10,426,144],{},[10,428,147],{},[36,430,150],{"id":150},[10,432,153],{},[69,434,435,437,439,441],{},[72,436,158],{},[72,438,161],{},[72,440,164],{},[72,442,167],{},[10,444,170],{},[10,446,173],{},[36,448,176],{"id":176},[69,450,451,453,455,457],{},[72,452,181],{},[72,454,184],{},[72,456,187],{},[72,458,190],{},[10,460,193],{},[36,462,197],{"id":196},[10,464,200],{},[69,466,467,469,471],{},[72,468,205],{},[72,470,208],{},[72,472,211],{},[10,474,214],{},[69,476,477,479,481],{},[72,478,219],{},[72,480,222],{},[72,482,225],{},[10,484,228],{},[36,486,231],{"id":231},[10,488,234],{},[236,490,491,495,499,503],{},[72,492,493,243],{},[20,494,242],{},[72,496,497,249],{},[20,498,248],{},[72,500,501,255],{},[20,502,254],{},[72,504,505,261],{},[20,506,260],{},[10,508,264],{},[36,510,267],{"id":267},[10,512,270],{},[10,514,273],{},[69,516,517,521],{},[72,518,519],{},[279,520,282],{"href":281},[72,522,523],{},[279,524,288],{"href":287},[10,526,291,527,296],{},[279,528,295],{"href":294},[10,530,299,531,304],{},[279,532,303],{"href":302},{"title":306,"searchDepth":307,"depth":307,"links":534},[535,536,537,538,539,540,541,542,543,544],{"id":38,"depth":307,"text":39},{"id":60,"depth":307,"text":61},{"id":96,"depth":307,"text":96},{"id":111,"depth":307,"text":112},{"id":135,"depth":307,"text":135},{"id":150,"depth":307,"text":150},{"id":176,"depth":307,"text":176},{"id":196,"depth":307,"text":197},{"id":231,"depth":307,"text":231},{"id":267,"depth":307,"text":267},{},{"title":5,"description":320},[333,334,335,336],{"id":549,"title":550,"body":551,"date":1001,"description":1002,"draft":321,"extension":322,"featured":323,"lang":324,"launch":323,"license":325,"meta":1003,"navigation":323,"order":307,"path":281,"seo":1004,"series":330,"stem":1005,"tags":1006,"translationOf":337,"updated":337,"__hash__":1010},"posts\u002Fposts\u002Fone-person-delivery-experiment-01-multi-agent-saas.md","一人交付实验",{"type":7,"value":552,"toc":987},[553,556,559,619,622,625,628,642,648,651,655,661,669,672,675,681,684,687,690,694,709,712,715,718,722,728,731,767,770,773,779,783,789,795,801,807,810,814,817,847,850,853,856,859,885,888,891,894,920,923,926,929,956,959,962,965,981],[10,554,555],{},"先把结论放在前面：这是一套面向民办幼儿园的家园共育与园务管理 SaaS。产品方案、后端、两个微信小程序和一个管理后台，由我一个人完成；开发过程由一条自建的多 agent 流水线驱动。周期约 2.5 个月，代码合计约 14 万行。",[10,557,558],{},"这不是「AI 全自动写完」的故事。代码由 agent 生成、由人工评审与测试兜底；真正决定交付质量的，是切片方式、契约、评审隔离和证据留存。下面把过程完整拆开。",[560,561,562,575],"table",{},[563,564,565],"thead",{},[566,567,568,572],"tr",{},[569,570,571],"th",{},"维度",[569,573,574],{},"结果",[576,577,578,587,595,603,611],"tbody",{},[566,579,580,584],{},[581,582,583],"td",{},"周期",[581,585,586],{},"约 2.5 个月",[566,588,589,592],{},[581,590,591],{},"后端",[581,593,594],{},"Go，约 7 万行（含约 2.2 万行测试），约 300 个接口、70 张表",[566,596,597,600],{},[581,598,599],{},"前端",[581,601,602],{},"约 130 个 Vue 组件，约 7 万行",[566,604,605,608],{},[581,606,607],{},"端",[581,609,610],{},"老师端小程序、家长端小程序、Nuxt 3 管理后台",[566,612,613,616],{},[581,614,615],{},"合计",[581,617,618],{},"约 14 万行（AI 生成 + 人工评审）",[36,620,621],{"id":621},"问题与约束",[10,623,624],{},"民办幼儿园的家园沟通，长期依赖微信群和纸质记录：通知发了不知道谁看，请假靠口头汇总，接送靠人工辨认，成长记录散落在各个老师的手机里，出了纠纷很难追溯。",[10,626,627],{},"这类需求并不「高精尖」，但它有几个很现实的约束：",[69,629,630,633,636,639],{},[72,631,632],{},"幼儿园预算有限，不可能为一个内部系统养一支研发团队；",[72,634,635],{},"老师和管理员不是专业软件用户，界面必须足够简单；",[72,637,638],{},"儿童照片、接送人、健康信息都属于敏感数据，权限必须清楚；",[72,640,641],{},"需求会持续变化，系统必须能迭代，而不是一次性交付后锁死。",[10,643,644,645],{},"传统外包的问题不是做不出来，而是沟通成本和迭代成本太高；一个小团队的问题也不是技术，而是「为这个预算养团队」不成立。于是我想验证一件事：",[20,646,647],{},"如果一个人把交付流水线设计好，能不能独立完成一套企业级 SaaS？",[10,649,650],{},"我给自己定了三条边界：不接支付、不做开放注册、不碰与儿童隐私无关的扩张功能。范围越小，切片越清楚，评审越容易做。对一人项目来说，克制不是保守，而是交付的一部分。",[36,652,654],{"id":653},"架构先把边界画清楚","架构：先把边界画清楚",[10,656,657],{},[29,658],{"alt":659,"src":660,"loading":33,"decoding":34},"养成星球的三端与后端架构","\u002Fimages\u002Fnurture-planet-architecture.svg",[10,662,663,664,668],{},"后端使用 Go 1.25 + Gin + GORM + MySQL + Redis，权限用 Casbin，依赖注入用 Wire，分层是 ",[665,666,667],"code",{},"handler → service → repository → domain","。这套分层不新，但它适合 agent 协作：每一层的职责固定，切片可以沿着层边界切，评审也更容易判断「有没有越层」。",[10,670,671],{},"为什么是 Go？不是因为性能神话，而是因为一人项目需要「部署简单、并发模型清楚、错误处理显式」。一个二进制、一套标准库、一个能看懂的错误链，比一堆框架魔法更适合长期维护。Gin 和 GORM 也不是唯一选择，但它们的生态足够成熟，agent 生成的代码更容易被评审。",[10,673,674],{},"多租户是这套系统的第一约束。所有业务表都带租户列，查询必须带租户条件，跨园所数据强制隔离；儿童照片只对授权家长可见。这个约束不是事后补的，而是从第一张表开始就写进 schema 和 repository 的。",[10,676,677],{},[29,678],{"alt":679,"src":680,"loading":33,"decoding":34},"多租户隔离：所有查询都必须带租户条件","\u002Fimages\u002Fmulti-tenant-isolation.svg",[10,682,683],{},"多租户有两种常见做法：每个租户一个 schema，或者共享表 + 租户列。前者隔离更彻底，但迁移、备份、跨租户统计都更复杂；后者实现简单，但要求每一层都记得带条件。对这套系统，我选了共享表 + 租户列，并把「忘记租户条件」当成最高级别的代码缺陷：repository 层强制注入，code review 里看到跨园所查询直接拒绝，测试里专门覆盖跨租户读取。",[10,685,686],{},"多租户的测试不能只测「正常查询」：要构造两个园所的数据，用 A 园所的账号去读 B 园所的学生、通知、照片、接送记录，确认全部返回空或 404；还要测管理员跨园所的统计接口，确认它只返回授权范围内的聚合。这类测试很枯燥，但它是多租户系统最值得投入的地方。",[10,688,689],{},"人脸识别抽象了一个 Provider 接口，接入腾讯云 IAI 做 1:N 检索：照片自动匹配学生，按人脸数量区分单人、小组和合影。后来供应商方案调整，我只替换了实现层，调用方零改动。对一个一人项目来说，这种「可替换边界」比「选对某个供应商」更重要：你没有团队去追每一个供应商的变化，只能把变化关在一个小盒子里。",[36,691,693],{"id":692},"三端把复杂度留在后端","三端：把复杂度留在后端",[69,695,696,699,702],{},[72,697,698],{},"老师端和家长端用 uni-app + Vue 3 + Vite，共用一套组件与设计 Token；",[72,700,701],{},"管理后台用 Nuxt 3 + Element Plus + Pinia + ECharts；",[72,703,704,705,708],{},"三端共享 ",[665,706,707],{},"tokens.json","，构建时生成产物，再用 lint 阻断硬编码色值和间距。",[10,710,711],{},"老师端的核心是「少点几下」：发通知、记成长、看待办、处理请假、接送核验。家长端的核心是「看得懂」：通知、成长档案、请假、接送授权、相册。管理后台的核心是「可管理」：园所、班级、学生、老师、权限、统计。",[10,713,714],{},"共享设计 Token 看起来是「设计系统」的事，实际上它是 agent 协作的护栏：当三个端由不同切片实现时，颜色、间距、圆角很容易各自发挥；Token + lint 把「审美」变成了可验证的约束。",[10,716,717],{},"另一个容易被忽略的点是错误提示。三端面向的是非技术用户，错误信息不能是「internal server error」。我在契约层定义了错误码和用户可读文案，前端只负责展示；这样 agent 在实现不同端时，不会各自发明一套错误语言。",[36,719,721],{"id":720},"多-agent-流水线主会话不读源码","多 agent 流水线：主会话不读源码",[10,723,724],{},[29,725],{"alt":726,"src":727,"loading":33,"decoding":34},"多 agent 交付流水线","\u002Fimages\u002Fmulti-agent-pipeline.svg",[10,729,730],{},"这是整个项目里最值得复盘的部分。流水线不是「开一个聊天窗口，让 AI 一直写」，而是把交付拆成几个角色：",[236,732,733,739,748,757],{},[72,734,735,738],{},[20,736,737],{},"主会话只做编排","。它不读源码，只读计划、切片状态和评审结论。这样可以避免主上下文被几十万行代码淹没，也能让「决策」和「实现」分开。",[72,740,741,747],{},[20,742,743,746],{},[665,744,745],{},"slice-worker"," 负责实现","。每个切片足够小，有明确的输入、输出和验收标准；worker 只在自己的切片里工作，失败可以回滚。",[72,749,750,756],{},[20,751,752,755],{},[665,753,754],{},"slice-supervisor"," 负责对抗式评审","。它是一个全新上下文的实例，不继承 worker 的自我判断；它读代码、跑测试、在微信开发者工具里做真机验证，然后给出 verdict。",[72,758,759,762,763,766],{},[20,760,761],{},"检查点与证据","。四个检查点、validator、密钥扫描，状态全部落在 ",[665,764,765],{},"PROGRESS.md","。主会话靠这些证据判断「能不能进入下一阶段」，而不是靠 agent 说「我完成了」。",[10,768,769],{},"四个检查点分别看四件事：规格是否写清楚、契约是否稳定、实现是否越层、真机行为是否符合验收。validator 负责机械检查：编译、测试、lint、密钥扫描、禁止的依赖。检查点不通过，worker 不进入下一个切片；supervisor 不通过，主会话不合并。",[10,771,772],{},"为什么 supervisor 要用全新实例？因为同一个上下文里，模型很容易为自己的实现找理由。换一个没有「沉没成本」的实例，评审会更接近一个真正的外部 reviewer。这一点在跨文件重构和权限边界上尤其明显。",[10,774,775,776],{},"这套流水线并不能让 agent 变成资深工程师。它做的是另一件事：",[20,777,778],{},"把「实现」变成可并行、可回滚、可复核的工作单元，把人的注意力留给架构、边界和取舍。",[780,781,782],"h3",{"id":782},"四个检查点具体看什么",[10,784,785,788],{},[20,786,787],{},"规格检查点","：需求有没有写成可验收的行为？边界条件、权限、失败路径有没有写清楚？如果规格里只有「实现通知已读」，没有「家长只能标记自己的记录」，这个切片就不该开始。",[10,790,791,794],{},[20,792,793],{},"契约检查点","：接口形状、错误码、字段类型有没有定下来？前端和后端是不是照着同一份契约写？契约没定就开工，最后一定会在联调时返工。",[10,796,797,800],{},[20,798,799],{},"实现检查点","：有没有越层？repository 里有没有业务逻辑？handler 里有没有直接拼 SQL？租户条件有没有漏？这些是机械检查能发现的部分，也是 supervisor 最先看的地方。",[10,802,803,806],{},[20,804,805],{},"真机检查点","：在微信开发者工具里跑一遍真实路径，不只看单元测试。登录、切换身份、打开通知、标记已读、返回列表，每一步都要在真机上确认。很多问题只在真机上出现，测试环境看不出来。",[10,808,809],{},"四个检查点都通过，切片才算完成；任何一个不通过，worker 回到实现，而不是把问题留给下一个人。",[36,811,813],{"id":812},"工程规范让-agent-有东西可以遵守","工程规范：让 agent 有东西可以遵守",[10,815,816],{},"agent 不会自动遵守你脑子里的规范，除非规范被写成可执行的约束。这个项目里，真正起作用的是四件事：",[69,818,819,829,835,841],{},[72,820,821,824,825,828],{},[20,822,823],{},"API 契约优先","：",[665,826,827],{},"backend\u002Fapi\u002F"," 是接口形状的唯一真相源。改接口先改契约，三端照着契约写；契约不一致，测试会先失败。",[72,830,831,834],{},[20,832,833],{},"OpenSpec 规格驱动","：跨三层的改动先写 proposal 和带 SHALL + Scenario 的验收标准，验收通过才归档。我试过不写规格直接改，结果就是三个月后没人记得当初为什么这么写。",[72,836,837,840],{},[20,838,839],{},"测试","：Go 端用 testify 做单元测试，前端用 Vitest。测试不是给 agent 看的，是给「未来的我」看的。",[72,842,843,846],{},[20,844,845],{},"检查点","：每个阶段结束必须留下可验证的产物；没有产物，不算完成。",[10,848,849],{},"这些规范听起来像「大团队才需要的东西」，但在一个人 + agent 的场景里反而更重要：agent 的速度越快，没有约束的返工就越贵。",[10,851,852],{},"我后来发现，规范的价值不在于「写得漂亮」，而在于「让 agent 可以被问责」。当验收标准是 SHALL + Scenario 时，supervisor 可以逐条对照；当接口有契约时，前端不需要猜后端；当测试覆盖真实行为时，agent 说「完成了」才有意义。",[36,854,855],{"id":855},"失败与取舍",[10,857,858],{},"这套流水线不是没有代价。几个真实的失败点：",[69,860,861,867,873,879],{},[72,862,863,866],{},[20,864,865],{},"跨文件重构仍然最容易失控","。切片一旦跨过太多文件，worker 很容易改出「局部正确、整体不一致」的结果；后来我把这类任务拆成「先改契约，再改实现，再改调用方」。",[72,868,869,872],{},[20,870,871],{},"UI 细节和真机兼容需要人盯着","。小程序的样式、键盘、滚动、真机表现，agent 可以写，但很难自己判断「看起来对不对」；supervisor 的真机验证是必要的，但仍然需要人做最终取舍。",[72,874,875,878],{},[20,876,877],{},"评审开销是真实成本","。全新上下文的 supervisor 会增加时间，但它减少的是更贵的返工；如果切片太大，评审开销会迅速失控。",[72,880,881,884],{},[20,882,883],{},"上下文管理比模型能力更关键","。主会话不读源码、切片足够小、状态落到文件，这些做法比换一个更强的模型更能提升稳定性。",[10,886,887],{},"如果重来一次，我会改三件事：切片再小一点；真机验证再早一点；契约测试再多一点。",[36,889,890],{"id":890},"时间花在哪里",[10,892,893],{},"2.5 个月里，真正写代码的时间没有想象中多。大致可以分成四块：",[69,895,896,902,908,914],{},[72,897,898,901],{},[20,899,900],{},"产品与范围","：把「什么都想要」压到「这一版必须有什么」，这部分只能人做；",[72,903,904,907],{},[20,905,906],{},"架构与契约","：定分层、租户模型、接口形状、设计 Token，这部分决定后面返工多少；",[72,909,910,913],{},[20,911,912],{},"实现与评审","：agent 写、supervisor 审、我处理冲突和边界；",[72,915,916,919],{},[20,917,918],{},"真机与收尾","：小程序兼容、权限边界、异常路径、部署与文档。",[10,921,922],{},"AI 明显加速的是第三块；第一、二、四块反而更需要人。这个分布也解释了为什么「一人 + agent」不是简单地把人替换掉：它把人的工作从「写」推向了「定义」和「判断」。",[36,924,925],{"id":925},"可复用清单",[10,927,928],{},"如果你也想尝试「一个人 + agent」交付，下面几条可以直接抄走：",[236,930,931,938,941,944,947,950,953],{},[72,932,933,934,937],{},"按",[20,935,936],{},"可交付行为","切片，不要按文件切片。",[72,939,940],{},"每个切片先写验收标准，再让 agent 实现。",[72,942,943],{},"评审必须用没有参与实现的上下文。",[72,945,946],{},"主会话不要读全部源码，只读计划和 verdict。",[72,948,949],{},"契约优先，测试放在契约和真实行为的交界处。",[72,951,952],{},"每个阶段留下证据：测试、日志、检查点、回滚路径。",[72,954,955],{},"对外复盘前先脱敏：客户名称、儿童信息、内部域名、密钥，一个都不能留。",[10,957,958],{},"这套方法不适合所有项目。需求极不稳定、界面极重、强实时协作的场景，仍然需要更多人。但如果你在做一人公司、独立产品，或者想验证「一个人到底能交付到什么程度」，它值得一试。",[36,960,961],{"id":961},"下一篇",[10,963,964],{},"这篇讲的是「怎么把一套 SaaS 交付出来」；下一篇回到 AI 工程本身，拆解模型服务、LLM 工具编排、数据与算法三层怎么一起落地：",[69,966,967,971,975],{},[72,968,969],{},[279,970,288],{"href":287},[72,972,973],{},[279,974,5],{"href":328},[72,976,977],{},[279,978,980],{"href":979},"\u002Fseries\u002Fone-person-delivery-experiment","一人交付实验专题",[10,982,983,984,986],{},"如果你对某个环节想看得更细——切片怎么切、supervisor 怎么评审、契约怎么落地——欢迎通过 ",[279,985,303],{"href":302},"、知乎或公众号告诉我。",{"title":306,"searchDepth":307,"depth":307,"links":988},[989,990,991,992,996,997,998,999,1000],{"id":621,"depth":307,"text":621},{"id":653,"depth":307,"text":654},{"id":692,"depth":307,"text":693},{"id":720,"depth":307,"text":721,"children":993},[994],{"id":782,"depth":995,"text":782},3,{"id":812,"depth":307,"text":813},{"id":855,"depth":307,"text":855},{"id":890,"depth":307,"text":890},{"id":925,"depth":307,"text":925},{"id":961,"depth":307,"text":961},"2026-11-17","一套多租户幼儿园家园共育 SaaS 的完整复盘：架构、三端、多 agent 流水线、工程规范、失败路径与可复用清单。",{},{"title":550,"description":1002},"posts\u002Fone-person-delivery-experiment-01-multi-agent-saas",[333,335,1007,1008,1009],"多租户 SaaS","Go","工程管理","d_npBYOCuvpBaAhqXmpANfEyUkRlE87GkMyqhqcdiUQ",{"id":1012,"title":550,"body":1013,"date":1297,"description":1298,"draft":321,"extension":322,"featured":321,"lang":324,"launch":323,"license":325,"meta":1299,"navigation":323,"order":995,"path":287,"seo":1300,"series":330,"stem":1301,"tags":1302,"translationOf":337,"updated":337,"__hash__":1308},"posts\u002Fposts\u002Fone-person-delivery-experiment-02-ai-engineering-stack.md",{"type":7,"value":1014,"toc":1286},[1015,1018,1021,1027,1031,1034,1041,1044,1050,1053,1056,1059,1062,1065,1068,1072,1075,1078,1084,1090,1097,1100,1103,1107,1110,1113,1116,1119,1148,1154,1157,1164,1168,1171,1185,1188,1191,1194,1197,1229,1232,1234,1257,1261,1264,1277],[10,1016,1017],{},"很多 AI 项目的失败，不是模型选错了，而是只做了「模型」这一层。",[10,1019,1020],{},"一个能交付的 AI 应用，通常要同时解决三件事：模型怎么稳定地跑起来、LLM 怎么和业务工具接上、数据与算法怎么形成闭环。我把它们叫做 AI 工程落地的三层栈。这篇用我做过的金融级私有化项目拆开讲。",[10,1022,1023],{},[29,1024],{"alt":1025,"src":1026,"loading":33,"decoding":34},"AI 工程落地的三层栈","\u002Fimages\u002Fai-engineering-stack.svg",[36,1028,1030],{"id":1029},"第一层模型服务不是写个-flask-调模型","第一层：模型服务，不是「写个 Flask 调模型」",[10,1032,1033],{},"模型服务层要回答的问题很具体：模型怎么加载、怎么批处理、怎么在 CPU\u002FGPU 之间切换、怎么预热、怎么观测、怎么升级。",[10,1035,1036,1037,1040],{},"在内容识别场景里，我用 YOLOv5 做检测、PaddleOCR 做文字识别（det + rec），模型导出 ONNX 后部署到 Triton Inference Server。Triton 里维护了 5 个模型仓库：检测和识别走 ONNX Runtime backend，前后处理用 Python backend 自己实现；",[665,1038,1039],{},"max_batch_size"," 最高到 1000，其中 2 个模型配置了 model warmup。",[10,1042,1043],{},"为什么用 Triton，而不是直接在 Flask 里加载模型？因为交付环境要考虑的不只是「推理一次」：多个模型要共存、请求要批处理、CPU\u002FGPU 要有不同配置、模型升级要能回滚、进程重启后要能自动预热。Triton 提供的模型仓库和 backend 机制，把这些事收敛到了配置层；业务代码只负责调用，不负责管理模型生命周期。",[10,1045,1046],{},[29,1047],{"alt":1048,"src":1049,"loading":33,"decoding":34},"Triton 模型仓库与 CPU\u002FGPU 双版本","\u002Fimages\u002Ftriton-model-repos.svg",[10,1051,1052],{},"对外接口是 Flask + waitress，部署在 Kubernetes 的 Deployment \u002F Service 上。客户环境不一定有 GPU，所以同一套服务提供 CPU \u002F GPU 双版本；在没有 GPU 的银行客户环境里，CPU 版本稳定吞吐大约 7–10 req\u002Fs，具体会随请求内容大小浮动。",[10,1054,1055],{},"这一层最容易被低估的是「前后处理」。检测框怎么裁、OCR 的 det\u002Frec 怎么串、图片怎么归一化、批量请求怎么拼，这些都不在模型文件里，却直接决定吞吐和准确率。把它们放进 Python backend，而不是散落在业务代码里，是我认为最值得的一个取舍。",[10,1057,1058],{},"模型服务还有几个必须提前想清楚的失败模式：图片超大导致显存\u002F内存暴涨；批量请求里混入损坏文件导致整批失败；模型版本升级后输出格式变化；CPU 环境下超时。这些不是「模型准不准」的问题，而是「服务能不能稳定交付」的问题。",[780,1060,1061],{"id":1061},"模型服务的观测与回滚",[10,1063,1064],{},"模型服务的日志不能只记「成功\u002F失败」。我至少会记录：输入尺寸、批大小、推理耗时、CPU\u002FGPU、模型版本、错误类型。这样线上变慢时，才能判断是流量、模型还是环境的问题。",[10,1066,1067],{},"回滚也要提前设计：模型仓库按版本命名，配置里锁定版本；新版本先在一小部分请求上验证，再全量切换；切换失败时能回到上一版，而不是重新导出模型。对私有化客户来说，「能不能回滚」往往比「新模型准不准」更重要，因为客户环境里没有人能帮你现场调试。",[36,1069,1071],{"id":1070},"第二层llm-应用重点是工具编排","第二层：LLM 应用，重点是工具编排",[10,1073,1074],{},"LLM 应用层不是「接一个聊天接口」就结束了。真正的价值在于：把自然语言变成对内部系统的可靠调用。",[10,1076,1077],{},"我做过两个方向：",[10,1079,1080,1083],{},[20,1081,1082],{},"AI 智询","：用户用自然语言描述需求，系统做意图识别，然后路由到最合适的内部接口或工具，完成多步调用。它把过去需要在菜单里点很多次的流程，收敛成一次对话。难点不在 prompt，而在工具边界的定义：哪些工具可以暴露、参数怎么校验、失败怎么回滚、权限怎么继承。",[10,1085,1086,1089],{},[20,1087,1088],{},"AI 鉴敏","：用语义分析识别用户行为与内容中的敏感信息，相比关键词匹配降低误判。它同样私有化部署在客户环境里，数据不出门。",[10,1091,1092,1093,1096],{},"这两个应用有一个共同约束：",[20,1094,1095],{},"私有化部署","。模型、向量、日志、工具调用都不能离开客户环境。这个约束会反过来影响架构：你不能依赖一个云端 LLM API 做所有事，要在本地做模型服务、缓存、降级和审计；你也不能把业务数据随便塞进第三方工具。",[10,1098,1099],{},"工具编排最容易犯的错误，是把「模型能调用」当成「模型可以随便调用」。我的做法是：每个工具都有明确的输入 schema、权限要求和失败语义；模型只负责选择工具和填参数，真正的执行、鉴权和审计由后端完成。这样即使模型选错工具，也不会越权。",[10,1101,1102],{},"权限模型也要按「用户身份」而不是「模型身份」设计。模型只是发起调用的一个环节，最终执行时仍然要带当前用户的身份、租户和角色；不能因为「是 AI 发起的」就绕过 RBAC。否则一次 prompt 注入，就可能变成一次越权操作。",[36,1104,1106],{"id":1105},"第三层数据与算法决定系统是不是越用越准","第三层：数据与算法，决定系统是不是「越用越准」",[10,1108,1109],{},"第三层最容易被忽略，但它决定 AI 应用是不是只有 demo 价值。",[10,1111,1112],{},"在用户行为分析场景里，系统每天采集千万级的桌面操作元事件。我们用 Python + Pandas \u002F NumPy 按业务配置的异常规则做清洗、转换与特征工程，归纳到约 30 万条样本、4–10 维特征（分类 + 数值），在模型效率与检出效果之间取平衡；日均百万级预测。",[10,1114,1115],{},"这一层的关键不是「用哪个模型」，而是「数据怎么变成可解释的特征」。异常规则来自业务，特征工程要能回答「为什么这个用户被判定为异常」；如果模型只给一个分数，客户环境里没人敢用。",[10,1117,1118],{},"另一块是事件序列关联分析。我独立设计并实现了一个轻量的事件序列正则引擎：",[69,1120,1121,1124,1135,1142,1145],{},[72,1122,1123],{},"词法 \u002F 语法分析 → AST → 后缀 IR → Thompson ε-NFA 构造与匹配；",[72,1125,1126,1127,1130,1131,1134],{},"支持并、连接、分组、有界重复 ",[665,1128,1129],{},"{n}"," 与无序组 ",[665,1132,1133],{},"\u003C...>","；",[72,1136,1137,1138,1141],{},"带 ",[665,1139,1140],{},"mustMatchPos"," 位置约束的反向匹配，保证刚到达的事件必须参与；",[72,1143,1144],{},"用字符集、长度 100、编译规模 3000、无序单元 5 四层约束规避灾难性回溯；",[72,1146,1147],{},"核心 pass 都有单元测试。",[10,1149,1150],{},[29,1151],{"alt":1152,"src":1153,"loading":33,"decoding":34},"事件序列正则引擎","\u002Fimages\u002Fevent-sequence-regex.svg",[10,1155,1156],{},"为什么不用现成的规则引擎？因为需求要的是「事件之间的顺序关系」：先打开某个页面，再复制，再外发，才算一条风险序列；中间允许无关事件，但关键事件必须按顺序出现。现成引擎要么表达不了无序组，要么在长序列上回溯失控。自己实现一个小而可控的引擎，反而更容易测试和解释。",[10,1158,1159,1160,1163],{},"这段经历给我的最大提醒是：",[20,1161,1162],{},"AI 工程不是只有模型。"," 数据怎么采、特征怎么造、规则怎么表达、失败怎么解释，往往比换一个更大的模型更能决定系统能不能上线。",[36,1165,1167],{"id":1166},"工程取舍为什么没有做-rag-和微调","工程取舍：为什么没有做 RAG 和微调",[10,1169,1170],{},"这套系统没有做 RAG，也没有做微调。不是这些技术不好，而是场景不匹配：",[69,1172,1173,1176,1179,1182],{},[72,1174,1175],{},"客户环境要求私有化，数据不能出门；",[72,1177,1178],{},"业务问题更多是「识别 + 路由 + 规则」，不是开放域问答；",[72,1180,1181],{},"微调需要稳定的标注数据和持续评估，项目周期内不成立；",[72,1183,1184],{},"先把模型服务、工具编排、数据闭环做稳，收益比追新更大。",[10,1186,1187],{},"同理，Triton 也不是唯一选择。如果只是低频调用，一个 Flask 服务就够了；但当你要批处理、要多模型仓库、要在 CPU\u002FGPU 之间切换、要做 warmup 和观测，Triton 的价值才会显现。技术选型应该由交付约束驱动，而不是由技术名词驱动。",[10,1189,1190],{},"这也是为什么我先把模型服务做稳，再做 LLM 应用。模型服务是底座：它不稳定，上面的工具编排再优雅也没有意义。反过来，底座稳定之后，LLM 层可以快速试错，因为每次失败都能定位到是工具、提示词还是模型服务。对一人项目来说，顺序比速度重要：先做能复用的底座，再做能讲故事的场景。",[10,1192,1193],{},"还有一个取舍是观测。模型服务的日志不能只记「请求成功\u002F失败」，还要记输入尺寸、批大小、推理耗时、CPU\u002FGPU、模型版本。否则线上变慢时，你无法判断是流量、模型还是环境的问题。",[36,1195,1196],{"id":1196},"常见失败模式",[69,1198,1199,1205,1211,1217,1223],{},[72,1200,1201,1204],{},[20,1202,1203],{},"OCR 质量不稳定","：图片模糊、倾斜、遮挡会显著影响识别；需要在前后处理里加入质量判断和降级策略。",[72,1206,1207,1210],{},[20,1208,1209],{},"CPU 吞吐不够","：没有 GPU 的客户环境，批处理和超时策略要重新设计，不能照搬 GPU 参数。",[72,1212,1213,1216],{},[20,1214,1215],{},"工具越权","：模型选错工具或填错参数，必须在后端做权限校验和参数校验。",[72,1218,1219,1222],{},[20,1220,1221],{},"数据漂移","：业务规则变化后，特征分布会变；需要定期回看样本和误判。",[72,1224,1225,1228],{},[20,1226,1227],{},"模型升级破坏契约","：输出格式、类别、阈值变化要有版本和回滚。",[10,1230,1231],{},"这些失败模式有一个共同点：它们都不是模型能力问题，而是工程问题。模型服务层要把它们当成一等公民，提前设计检测、降级和回滚，而不是等上线后再补。",[36,1233,925],{"id":925},[236,1235,1236,1239,1242,1245,1248,1251,1254],{},[72,1237,1238],{},"先把模型服务做成独立层，不要让业务代码直接加载模型。",[72,1240,1241],{},"前后处理也属于模型服务，不要散落在业务里。",[72,1243,1244],{},"私有化场景先设计降级路径：没有 GPU、没有外网、模型升级失败时怎么办。",[72,1246,1247],{},"LLM 应用先定义工具边界和权限，再谈 prompt。",[72,1249,1250],{},"数据与算法层要能解释「为什么命中」，否则无法在客户环境里维护。",[72,1252,1253],{},"不要为了追新引入 RAG\u002F微调；先确认场景真的需要。",[72,1255,1256],{},"吞吐数字要写清测试条件，不要把实验室数字当成生产承诺。",[36,1258,1260],{"id":1259},"回到一人交付","回到「一人交付」",[10,1262,1263],{},"这三层栈看起来是技术问题，其实也是交付问题：一个人要同时扮演模型工程师、后端工程师、数据工程师和运维，唯一的办法是把边界切清楚，让每一层都能独立验证。",[10,1265,1266,1267,1269,1270,1273,1274,1276],{},"这也是",[279,1268,550],{"href":979},"的核心：不是让一个人变成四个人，而是让一个人用流水线把四类工作组织起来。上一篇讲的是",[279,1271,1272],{"href":281},"一个人如何交付一套多租户 SaaS","，这一篇讲的是 AI 应用的三层栈；如果你还没看开篇，可以从",[279,1275,5],{"href":328},"开始。",[10,1278,1279,1280,1282,1283,1285],{},"想继续聊模型服务、工具编排或事件序列引擎，欢迎通过 ",[279,1281,303],{"href":302},"、知乎或公众号找到我；也可以先看看",[279,1284,295],{"href":294},"。",{"title":306,"searchDepth":307,"depth":307,"links":1287},[1288,1291,1292,1293,1294,1295,1296],{"id":1029,"depth":307,"text":1030,"children":1289},[1290],{"id":1061,"depth":995,"text":1061},{"id":1070,"depth":307,"text":1071},{"id":1105,"depth":307,"text":1106},{"id":1166,"depth":307,"text":1167},{"id":1196,"depth":307,"text":1196},{"id":925,"depth":307,"text":925},{"id":1259,"depth":307,"text":1260},"2026-11-24","从模型服务、LLM 工具编排到数据与算法，拆解一套私有化 AI 应用真正落地时需要一起设计的三层栈。",{},{"title":550,"description":1298},"posts\u002Fone-person-delivery-experiment-02-ai-engineering-stack",[1303,1304,1305,1306,1307,1095,1008],"AI 工程","Triton","YOLOv5","PaddleOCR","LLM","rNCMl3flRYGj61oYWnsfKq-GAzuM871gRhG9mfiFDjY",{"id":1310,"title":550,"body":1311,"description":1321,"extension":322,"meta":1322,"navigation":323,"path":979,"seo":1323,"stem":1324,"__hash__":1325},"series\u002Fseries\u002Fone-person-delivery-experiment.md",{"type":7,"value":1312,"toc":1319},[1313,1316],[10,1314,1315],{},"「一人交付实验」不是一个「AI 取代团队」的口号，而是一组可复核的交付记录：一个人如何设计流水线、把任务切给 agent、用评审与测试守住质量，最后把软件真正交付出去。",[10,1317,1318],{},"这个专题会按项目阶段拆解：问题与约束、架构取舍、agent 编排、工程规范、失败路径与可复用清单。涉及客户与儿童信息时统一脱敏。",{"title":306,"searchDepth":307,"depth":307,"links":1320},[],"记录一个人借助 AI agent 流水线交付真实软件的过程：架构、工程规范、失败与可复用清单。",{},{"title":550,"description":1321},"series\u002Fone-person-delivery-experiment","bfRSrJJf1WaIA_RzLxzojaTAoNolLQz22jTVu87XQ0k",1794018033740]