AI Application & Skill Engineering Workflow · Guards · Release
AI Agent / Java Backend / Skill Engineering

把不稳定的模型输出,收束为可复现、可检查的工具与交付物

AI 应用开发 / Skill 工程 / 交付工程方向 · 数据科学硕士 · 计算语言学 / NLP · 现居广州(广州优先,深圳可沟通)

我围绕 Tool Calling、RAG、结构化输出、确定性校验、异常处理与发布前自测构建 AI 应用和 Skill。近期用 Java 21 / Spring Boot 3 实现 Agent Gateway,将模型调用、工具管理、会话 trace 和失败处理落到可运行服务中。

Tech / Methods Java 21 Spring Boot 3 Tool Calling RAG Python CLI / YAML Schema 校验 CSV / SVG 安全处理
协作雷达 · 已完成自测 Agent Gateway · 6/6 测试通过 GitHub 开源仓库 公开 Skill 与获奖 外部任务评测
Primary Implementation · Java 21 / Spring Boot 3

Spring Boot Agent Gateway:把 Tool Calling 落到服务端

个人工程实践|JDK 21 + Maven 编译通过|6/6 自动化测试通过|聚焦 Agent 服务端工程化

Model intent → guarded tool execution Java 21 · Spring Boot 3 · JDBC · Redis adapter · RAG
Agent Gateway Path
HTTP 请求校验 message、生成 request ID,并返回稳定错误结构。
有界 Agent Loop模型只提出结构化 tool call;服务端控制最大执行轮次。
白名单工具ToolRegistry 注册知识检索与只读查询,JSON Schema 约束参数。
执行与回填超时、有限重试、错误分类、RAG 来源和 tool trace 均可观察。
Java Agent Case · Local Source

我把“模型会调用工具”落实为可检查的后端链路

项目将 Agent 的服务端职责拆开:Controller 负责接口契约,应用层负责执行轮次,Registry / Executor 负责工具管理,持久化层负责会话与 trace。

  • 接口契约提供 POST /api/agent/chat、工具 Schema 查询和会话读取接口,统一返回 answer、status、steps 与 request ID。
  • 工具安全只执行显式注册工具;未知工具、缺失参数、额外参数和类型不符均在服务端拒绝,不使用任意反射调用。
  • 失败处理为超时、可重试错误和 iteration limit 定义稳定状态,限制重试次数并保留每次尝试的 trace。
  • 数据层设计默认 memory / H2 便于运行;通过 JDBC 切换 MySQL 会话存储,通过 Redis 适配器缓存工具 Schema。
  • 验证结果在 JDK 21.0.12 + Maven 3.9.16 下编译通过,4 个测试类共 6 项测试全部通过。
项目说明RAG 默认使用 HashEmbeddingPort 进行本地演示;如用于业务场景,可替换为生产 embedding 并进一步评估召回质量。MySQL、Redis 与模型连接均提供适配接口。
查看接口、测试与项目说明
What I Bring

从模型输出到可检查的应用行为

这些能力贯穿 AI 应用设计、服务端实现、质量验证和交付协作。

01

结构化输出

先固定数据字段、模块顺序和需人工确认项,再处理上游模型输出。

02

确定性约束

将脱敏、输入清洗、Schema 校验和冲突检测写入可复现的执行层。

03

对抗自测

将公式注入、SVG XSS、表格字符注入、坏 JSON 和缺文件固化为自测输入。

04

交付范围

根据使用场景选择本地工具、公开 Skill 或服务端方案,并为后续接入保留清晰接口。

Primary Implementation · Local Source

协作雷达:把协作材料整理为稳定状态卡片

Python · YAML · Schema 校验|包含结构化卡片、下游导出和异常输入处理|已完成本地自测

From unstructured collaboration notes to guarded output Python · YAML · Schema Validation · CSV / SVG Safety
Engineering Path
协作材料输入会议纪要、群聊记录等非结构化内容进入上游抽取环节。
七模块契约固定状态总览、进展、决策、Owner×DDL、风险依赖、跨部门与需确认项。
确定性处理来源记录、PII 脱敏、跨轮聚合、Schema 校验与冲突检测。
安全导出输出 CSV、飞书多维表格和 Notion 字段映射,处理公式与 Markdown 表格注入。
发布前自测将 CSV 公式注入、SVG XSS 与表格注入固化为对抗用例。
Primary Case · Skill Engineering

我负责把“抽取结果”变成可检查的结构化输出

我设计并实现协作雷达的固定 Schema 与确定性执行层:上游内容先经过来源记录、脱敏、聚合、校验和冲突检测,再按字段契约导出为状态卡片。

  • 输出契约将协作状态固定为七个模块,避免不同输入导致下游字段和优先级结构漂移。
  • 确定性处理process.py 中实现来源记录、PII 脱敏、跨轮聚合、Schema 校验与冲突检测。
  • 下游安全导出前处理 CSV 公式前缀与 Markdown 表格控制字符,避免用户来源内容破坏产物。
  • 异常输入为坏 JSON、类型不符和缺文件提供受控错误输出;不把 Traceback 留给使用者。
  • 质量检查将 E4、T5、M1–M5 等对抗输入写入 selftest,覆盖导出安全和异常输入处理。
项目说明协作雷达面向会议纪要、群聊记录等材料的整理与导出,重点展示结构化处理、输入防御和可复现自测。
查看项目说明
Open Source · External API Integration

WeRead AI Brain:从阅读数据到可导出的知识整理

GitHub 开源仓库|OpenClaw Skill|支持用户自行配置 API Key

Read data, analyze it, export a usable artifact 外部 API · 数据整理 · AI 分析 · Markdown 导出
What the repository contains

我把外部阅读数据接入可视化与知识整理流程

  1. 外部数据接入通过用户配置的 API Key 获取微信读书相关数据;密钥不写入仓库。
  2. 数据呈现将阅读数据整理为绿墙、脑波与阅读画像等可视化内容。
  3. 分析与导出支持概念通解、跨书联动等分析,并将结果整理为 Markdown。
  4. 使用方式仓库提供完整配置说明,用户可在本地接入自己的阅读数据和 API Key。
GitHub open source · Skill packaging公开源码与配置说明
Repository Evidence

把外部数据接入一个可运行的知识整理流程

项目将微信读书数据、可视化呈现、AI 分析与 Markdown 导出放在同一条本地工作流中。仓库提供 Skill 的依赖、命令与环境变量说明,使用者需自行配置密钥后运行。

工程要点
外部 API 接入、环境变量配置、数据处理与结构化导出。
使用方式
项目以开源仓库和 Skill 配置为主要交付形式,用户可按文档在本地运行。
ClawHub 近 30 天下载量
532
截图核验值
口径:ClawHub 页面「30d」下载量;截图核验:2026.08.03。
查看项目说明
Release, Evaluation & Workflow

公开发布、任务评测与工作流原型

以下项目展示模型能力评测、Agent 工作流和公开 Skill 产品化实践。

模型任务评测Failure Modes · Tool Use · Verifiability
Project 01 · Model Capability Evaluation

用失败标签检查模型能否完成复合任务

我在 OpenClaw 与 Hermes 两种执行环境下,对 5 个代号模型执行 3 类复合任务,记录工具调用、文件处理、代码执行、数据分析与产物保存表现。

  • 识别上下文丢失、工具链路中断、产物格式不一致等失败模式。
  • 关注结论是否有数据支撑、失败能否恢复、结果能否被用户验证。
查看任务范围与项目说明
形式
模型任务评测
范围
5 个模型 · 3 类任务 · 2 种环境
产出
失败模式与 Badcase 判断
Text2SQLStateGraph · Approval · Retry · Audit
Project 02 · Text2SQL Agent

把自然语言查询拆成可审批、可回退的状态机

我基于 LangGraph / StateGraph 设计意图解析、澄清、Schema 检索、SQL 生成、预校验、人工审批、执行、失败重试、答案合成与审计日志链路。

  • 模糊意图先澄清,高风险 SQL 进入人工确认。
  • 校验或执行失败后注入错误信息并重试,最大重试次数为 3。
查看项目说明
形式
个人工程项目
核心
模型 + 校验 + 人工审批
产出
状态机工作流与风险控制
科学营养顾问 SkillProfiles · Logs · Safety Boundaries
Evidence 03 · Public Skill Release

把一次性建议整理为可持续使用的 Skill 流程

我将营养咨询拆为用户档案、目标计算、每日记录、进度看板、场景建议与周期复盘,覆盖 12+ 健康管理场景(公开产品说明),并设置特殊人群与健康安全提示。

ClawHub 中英文合计下载量(后台数据)
1,128
显示最近核验值,正在尝试实时更新
口径:中文版本下载量 + English version 下载量;不包含浏览量或其他平台数据。最近核验:2026.08.02
状态
公开发布
范围
12+ 场景 · 中英文版本
证明
状态设计与产品化闭环
Working Principles

我如何保证一个 AI 应用可检查

这五条是我在 AI 应用设计、开发和交付中持续采用的工程方法。

01

先固定输出契约

明确字段、模块顺序与人工确认项,避免将自由文本直接交给下游系统。

02

模型之外保留规则层

脱敏、输入清洗、校验、排序和冲突检测以确定性逻辑实现。

03

将失败输入写进测试

坏 JSON、缺文件与注入内容都要有明确的受控结果,而非临时修补。

04

发布前先检查产物

在公开前运行自测、检查导出格式和安全范围,确保结果可以被复核。

05

项目说明清晰

明确项目的技术方案、运行方式和适用范围,方便团队快速判断匹配度。

Next Conversation

如果你的团队需要把 AI 能力接入可检查的工作流

我希望参与 AI Agent 开发、Java 后端应用、Skill 工程和 AI 交付,能够从需求拆解、方案设计推进到实现、测试与交付协作。欢迎围绕团队的 Agent 架构、工具接入和 RAG 场景进一步交流。

地点与方向 广州优先,深圳可沟通
AI 应用开发 / Skill 工程 / 交付工程
联系方式见招聘平台