07.1让大模型具备行动力
AI Agents · MCP · RAG Workflows
我关注 AI Agents、MCP 与 RAG 工作流，因为 AI 正在从孤立的文本生成，走向真正能够执行任务的系统。Agent 能拆解任务、调用工具并完成多步骤流程；MCP 为模型、工具和数据源之间提供标准化连接；RAG 则引入最新的领域知识，提高可靠性。对我来说，这正是生产级 AI 的下一步：把知识、上下文和行动真正连接起来。
当前聚焦
从工程现实走向 AI 驱动的系统能力
这些方向不是对我的职业边界进行限制，而是我当前正在系统性深化的技术方向。
07.2当 AI 遇见物理世界
Industrial Digitalization · IoT
我最关注的工业数字化，并不是停留在仪表盘上的数据展示，而是数据如何重新作用于真实流程。传感器、边缘计算与 IoT 系统、过程数据和设备状态，构成了物理现实与数字决策之间的桥梁。AI 在这里才真正变得务实：它不是一个孤立模型，而是支持设备、流程和人的系统组成部分。
07.3把数据流看作技术基础设施
Data Engineering · System Thinking
数据分析并不是从模型开始的，而是从数据产生、清洗、结构化、连接和可靠获取的地方开始。因此，我关注 Data Engineering，是因为它是一切后续工作的技术基础：数据分析、机器学习、报表、自动化和决策支持。对我来说，好的数据架构不是后端细节，而是系统能力本身的一部分。
07.4从想法，到可运行的系统
DevOps · Cloud Deployment · Serverless
我关注的不只是一个方案是否能运行，也关注它能否被可靠部署、持续运维和继续迭代。Cloud Deployment、DevOps 实践和 Serverless 架构，帮助把原型变成更稳健的系统。对我来说，这就是技术想法走向生产现实的过程：可复现、可维护、可扩展，也可解释。
目标
把工程、数据、AI 与云看作一个系统
我当前努力的方向，是把 工程、数据、AI 与云基础设施 看作一个整体，而不是彼此分离的技术模块。我关注的不是单个技术名词，而是它们如何在真实条件下协同发挥作用——无论是在工业系统、科研场景，还是数字产品中。