用 AI 做产品，最大的坑可能不是"做不出来"，而是"什么都想做"。本文记录了百度前端研发工程师与 AI 组队开发 Design.md Token Exporter 的全过程——ChatGPT 陪他脑暴、Codex 当主力写代码、Gemini 做体验顾问，但 AI 的热情差点让产品变得臃肿不堪。当技术门槛被击碎后，什么该做、什么不该做，成了每个产品人必须自己回答的问题。这篇文章，讲的就是这个"取舍"的故事。
本文深入分析AI编程（AICoding）效率瓶颈，指出核心问题在于大模型的注意力机制限制、上下文膨胀与注意力坍塌，以及人机协作模式不匹配；提出通过外置 “DeepResearch” 型 Agent 分离“上下文准备”与“编码执行”，以多模态输入、结构化任务、持久化分析和增量更新提升真实提效。
在刚刚过去的这一年里，人工智能的发展轨迹正在发生一次深刻的范式转移：从仅仅停留在对话框里生成文本的大语言模型（LLM），大步迈向能够自主规划、调用工具、甚至操作计算机界面的自主智能体。当我们赋予 AI 操纵浏览器的权限去预订机票，或者赋予它终端权限去编写和调试代码时，一个严峻的基础设施挑战随之浮出水面——我们如何安全地运行它们，又如何实时地“看”到它们在干什么？在现代云原生架构下，为每个 Agent 分配一个短暂、隔离的 Kubernetes 容器沙箱（Sandbox）是运行安全的基础；而通过 Web VNC（Virtual Network Computing）技术将沙箱内的图形化桌面流式传输到前端浏览器，则是实现可观测性的最佳手段。
在 AI 驱动的数据应用场景中，企业越来越需要一套同时支撑实时消费、历史沉淀与多引擎复用的数据底座。Kafka、Iceberg 开放表格式与对象存储的组合，正成为流数据入湖的重要方向。但传统依赖 Flink、Spark 等外部 ETL 作业的方式，也带来了链路长、系统边界多、运维复杂等问题。本文围绕“零 ETL”这一趋势，讨论流数据入湖为什么需要做架构减法，并结合 Kafka × Table Bucket 的实践，分析一种将通用入湖能力前移到消息与表存储链路中的方案，如何在降低复杂度的同时，兼顾实时性、一致性、Schema 演进、CDC 语义与开放生态兼容。
