本文总结了在构建面向AI的数据知识库中的实践经验，针对数据资产庞杂、语义不统一、维护成本高等问题，提出以“不重构模型、小而精维护、支持灵活扩展”为原则，通过结构化构建指标、实体、属性、表和字段五类知识，并结合图谱召回与Agent框架，实现自然语言到SQL的智能取数。文章还介绍了从钉钉文档快速验证到产品化平台建设的演进过程，并展望了在准确性提升、知识保鲜和能力拓展等方面的未来方向。
我们构建了一套“自动提取 → 智能泛化 → 增量更新 → 向量化同步”的全链路自动化 pipeline，将 Agent 知识库建设中的收集、提质与维护难题转化为简单易用的 Python 工具，让知识高效、持续、低门槛地赋能智能体。
本文首先以淘天电商交易订单表线上一条非典型慢 SQL 的深入剖析为切入点，示范如何系统地分析与排查慢 SQL；接着详尽归纳了索引分类、B+Tree 与 B‑Tree 的结构差异、B+Tree 高度估算方法、EXPLAIN 与 Query Profile 等诊断工具的使用，以及索引下推与排序的执行流程等索引优化理论；最后结合日常实践经验，提出了适用于大规模线上集群的索引变更 SOP，并总结了常见的慢 SQL 成因与相应的解决策略。
本文介绍了AI辅助前端动画开发的实践方案与技术思路，核心围绕解决传统动画开发中“参数难获取、沟通成本高、反复返工”等痛点展开。作者以 After Effects（AE）为动效源头，构建了一套基于 MCP（Model Context Protocol）工具链 + Cursor AI IDE 的协作工作流，强调“L3级自动驾驶”——即AI生成关键步骤，但保留开发者随时介入、校验与调整的灵活性。
D是我们团队的服务端应用，其代码库历史悠久，最早可以追溯到淘宝APP无线端迁移，应用中许多代码已无线上流量，但代码并未随业务的下线被清理。越来越多的代码“沉淀”下来，既增加了团队新人学习门槛，也增加日常开发维护成本。但实际做代码下线并非容易，仅凭业务逻辑决策代码清理费时费力，还容易误删在使用的业务代码，因此非常需要工具来辅助做代码的清理，这就是基于代码执行染色和覆盖分析做代码下线方案的背景。代码执行染色&执行覆盖率分析，使用JVM agent的扩展能力实现代码的插桩和在线染色，再通过解析采样的数据可得到代码的执行情况，清理代码就“有理有据”；仅靠原始分析出的数据清理依然低效，为此我们将数据采集、覆盖率可视化通过IDEA插件集成，实现清理无效代码过程又准又快。
本文介绍了如何构建一个“自我编程”的Coding驱动型Agent，通过让大模型生成并执行Python代码来实现自主决策与复杂任务处理。该Agent基于ReAct架构优化，采用FIM（Fill-in-the-Middle）代码生成格式，结合Py4j实现Java与Python双向调用，并设计了分层记忆系统（感知、短期、长期）和模块化Prompt工程。其核心创新在于用“代码即指令”替代传统JSON工具调用，显著提升灵活性与执行能力，目标是打造能胜任DevOps场景的“1.5线”AI助手，具备自我评估、多Agent协作和持续学习能力。
