07.1讓大模型具備行動力
AI Agents · MCP · RAG Workflows
我關注 AI Agents、MCP 與 RAG 工作流，因爲 AI 正在從孤立的文本生成，走向真正能夠執行任務的系統。Agent 能拆解任務、調用工具並完成多步驟流程；MCP 爲模型、工具和數據源之間提供標準化連接；RAG 則引入最新的領域知識，提高可靠性。對我來說，這正是生產級 AI 的下一步：把知識、上下文和行動真正連接起來。
當前聚焦
從工程現實走向 AI 驅動的系統能力
這些方向不是對我的職業邊界進行限制，而是我當前正在系統性深化的技術方向。
07.2當 AI 遇見物理世界
Industrial Digitalization · IoT
我最關注的工業數字化，並不是停留在儀表盤上的數據展示，而是數據如何重新作用於真實流程。傳感器、邊緣計算與 IoT 系統、過程數據和設備狀態，構成了物理現實與數字決策之間的橋樑。AI 在這裏才真正變得務實：它不是一個孤立模型，而是支持設備、流程和人的系統組成部分。
07.3把數據流看作技術基礎設施
Data Engineering · System Thinking
數據分析並不是從模型開始的，而是從數據產生、清洗、結構化、連接和可靠獲取的地方開始。因此，我關注 Data Engineering，是因爲它是一切後續工作的技術基礎：數據分析、機器學習、報表、自動化和決策支持。對我來說，好的數據架構不是後端細節，而是系統能力本身的一部分。
07.4從想法，到可運行的系統
DevOps · Cloud Deployment · Serverless
我關注的不只是一個方案是否能運行，也關注它能否被可靠部署、持續運維和繼續迭代。Cloud Deployment、DevOps 實踐和 Serverless 架構，幫助把原型變成更穩健的系統。對我來說，這就是技術想法走向生產現實的過程：可復現、可維護、可擴展，也可解釋。
目標
把工程、數據、AI 與雲看作一個系統
我當前努力的方向，是把 工程、數據、AI 與雲基礎設施 看作一個整體，而不是彼此分離的技術模塊。我關注的不是單個技術名詞，而是它們如何在真實條件下協同發揮作用——無論是在工業系統、科研場景，還是數字產品中。