AI SYSTEMS · BACKEND · PRODUCTS
把模型能力，
变成可靠系统。
我是 Arjun，一名软件工程师。关注 AI 应用、后端架构与独立产品，也记录从原型、部署到持续迭代的真实过程。
TRACE / 8F2A-71CPIPELINE RUNNING
01
Input Gatewayvalidate · route · persist
READY02
Agent Runtimereason · tools · memory
RUN03
Retrieval Layersearch · rerank · context
0.9204
Stream Outputobserve · evaluate · improve
LIVE> pipeline.run({ mode: "stream" })
✓ response streamed · trace saved
✓ response streamed · trace saved
数据工具 / APIFY
我做的 X 与 YouTube 数据工具
按要完成的任务选择工具，在 Apify 上运行，获取结构化结果。
由 Arjun 开发 · 在 Apify 上运行 · 独立工具，与 X 或 YouTube 无官方关联。
FIELD NOTES
构建笔记
多 Agent 系统的收益，取决于任务怎么拆
一次代码评审可以交给一个 Agent 从头做到尾，也可以拆给几个 Agent 并行检查。后者什么时候值得做？关键要看任务能否独立完成，以及结果怎样交接。
在构建一个复杂的 Agent 时，会遇到哪些挑战？
一个复杂 Agent 往往要连续规划、调用工具、处理失败并验证结果。只要其中一环缺少边界，任务即使跑完也可能无法交付。本文从一次跑偏的 CI 排障开始，拆解开发中最常见的五类挑战。
Agent 为什么会在新项目里用错包管理器
新项目默认用 pnpm，旧仓库仍然需要 npm ci。两条规则都没错，Agent 却在下一次创建项目时选错了工具。问题藏在 Memory 写入时丢失的作用域里。
Agent 记不住过去，通常不是模型的问题
你昨天刚交代过的事，Agent 到了新会话却像第一次听见。很多时候，不是模型忘了，而是应用没有把那条信息存下来，也没有在需要时找回来。
Agent 是怎么做计划的：从任务拆解到搜索与重规划
计划不是越长越好。本文从一个 Go 服务迁移任务出发，拆解 Plan-and-Execute、Replanning、ToT、GoT、Reflexion 与经典规划器各自解决的问题。
ReAct 到底做了什么：让 Agent 边行动，边修正
从一次失败的 CI 排查开始，理解 Thought、Action、Observation 与 Runtime 如何让 Agent 根据环境反馈调整下一步。