本文总结了AI时代数据研发从传统SQL开发向Semantic（语义层）+ DataAgent范式转型的实践与思考，指出传统模式存在效率低、语义鸿沟及口径不一致等瓶颈，而通过构建包含指标、维度、逻辑表及CTE适配层的语义层，结合Meta-ontology本体论和Wiki-RAG检索增强，实现了业务语义的结构化定义与AI自动翻译NL2SQL；该方案采用Agentic架构双轨制，将数据知识从代码迁移至语义模型，使研发角色转变为语义架构师与AI教练，并通过工程化校验与自动化治理保障资产质量，最终达成需求响应实时化、取数自动化及数据价值高效释放的目标。
Agent Skills 是一种轻量、开放的能力扩展规范，用于为 AI Agent 扩展专业知识和工作流。本文从概念原理出发，结合真实的工程化项目 trade-ab-skill，系统性地讲解 Skill 的结构规范、触发机制、作用域优先级，以及最佳实践。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
本文指出当前AI提效陷入“单点优化、全局低效”困境的根源在于协同缺失，主张通过重构生产侧将流程串联者从人转变为Agent，构建以“知识底座+Agent+人”为核心的AI Native团队闭环形态，其中人负责目标与判断，Agent基于统一的知识底座承担执行与串联；文章强调软件是被固化的知识，而实现该形态的关键瓶颈并非协同工具，而是如何为存量业务构建具备自治能力、能清晰定义业务规则与流程且可持续更新的知识底座，这已成为企业提升全局效率必须跨越的核心门槛。
天猫AI助手团队通过“调度框架重构”与“AI Coding工程化”双轮驱动，在两周内将底层架构从硬编码升级为基于Reducer/Event的三层调度模型，实现了状态写入收敛、可观测性独立通道及业务接入效率的大幅提升；同时建立包含范式、Skill、Hook及观测报告的AI工程化闭环，将单业务接入成本从3.5–4.5人天降至约0.7人天，验证了将隐性知识显式化为组织工程能力对于应对业务泛化迭代及穿越模型代际更迭的核心价值。
很多人查日志，都是从一条告警开始的。接口报错了，先搜 Request ID；Pod 重启了，去找退出前的异常堆栈；用户反馈支付失败，再拿着账号和订单号回查调用过程。此时问题已经发生，日志帮助我们还原现场。但日志里留下的东西远不止故障现场。应用日志记录业务执行过程，访问日志反映流量和服务质量，审计日志记录谁在什么时间做了什么操作，Kubernetes Event 记录资源状态变化。研发用它排障，安全团队用它审计，运营团队也可以从中发现支付、库存、设备或用户行为的异常。真正容易被忽略的，是那些还没有触发告警、也没有人主动搜索的变化：一个新版本开始零星出现从未见过的异常堆栈；整体错误率看起来正常，某个 Region 却在持续恶化；一类高风险操作第一次出现在非授权时间。单独看，这些信号可能并不起眼。继续发展下去，它们也可能成为下一次大面积故障的起点。日志智能巡检要做的，是在没人提问的时候主动看一遍，并告诉我们：这里出现了一个过去没有的变化，值得现在就查。
本文旨在解决传统AI评测仅关注相关性而忽略因果性的局限，引入数据科学中的因果推断与博弈论方法进行归因分析，以精准量化LLM及Agent系统中各组件对结果的真实贡献度。文章首先厘清了相关性与因果性的区别，介绍了Rubin潜在结果模型与Pearl因果图两大理论框架，以及DoWhy、EconML、SHAP等主流工具库；随后针对AI评测场景，构建了基于完整Trace日志的高精度组件级归因、无中间数据时的扰动式黑盒归因、以及控制混杂变量的因果推断A/B测试三种实战策略，并通过具体案例演示了如何定位工具选择、参数构造、Prompt设计及Query复杂度等因素的影响；最后总结了当前面临的挑战、算法优化方向及常见陷阱，强调通过剥离混杂变量和量化纯净贡献度，实现从“发生了什么”到“为什么发生”及“如何优化”的深度洞察，从而精准定位系统瓶颈并指导迭代优化。
本文介绍了淘宝主播Agent的Harness工程实战，旨在通过构建模型外层的工程化“骨架”解决大模型在高风险、高并发直播场景中不可控、易漂移的问题。文章首先定义了由执行循环、工具注册、上下文管理、状态存储、生命周期钩子和评估接口组成的Harness六元组，并确立了框架层兜底安全与状态、业务层专注技能开发的分层架构，采用MySQL、Hologres和GitLab分别存储会话、记忆和技能以实现逻辑统一与物理分治。在具体实践中，通过分层压缩与Reducer模式优化上下文，利用Schema强约束、幂等设计及五层纵深防御体系保障工具调用安全，引入沙箱隔离执行风险，并以DAG全局规划替代ReAct单步决策以提升长程任务的恢复性与效率。此外，文章详细阐述了基于会话、事实、行为三层结构的记忆体系，通过记忆对账机制与信任度演化算法，实现了Agent对主播偏好的精准理解与自适应输出，最终将不确定的模型能力转化为可用、可控、可演化的工业级产品。
