制冷及低温工程硕士 → 能源算法 → AI 工程。工作于深圳。
关注方向:把能源、制造等传统行业的业务问题,落成能长期稳定运行的软件系统。
语言
-
Python:asyncio / 多进程、PySide6 桌面端、Playwright 自动化、数据处理
-
Rust:egui、Tauri 桌面应用、系统级工具
-
TypeScript / React:前端界面与实时看板
-
Kotlin:Android(Jetpack Compose)端开发
后端与基础设施
-
PostgreSQL、WebSocket 实时通道、REST API
-
Docker 部署、进程守护、日志分级与告警降噪
-
Windows 无人值守运维:计划任务、看门狗、自愈脚本
工程实践
-
Git 分支/PR 工作流,代码走审查后合并
-
PyInstaller / Tauri 打包分发
-
中文注释、可回溯的提交信息
InfoPush · 自托管消息推送服务
一条 HTTP 请求,把消息推到你的所有设备。
-
HTTP 推送 + WebSocket 实时投递双通道
-
覆盖 Android、Windows 桌面,支持 Docker 一键部署
-
PostgreSQL 持久化,端到端可控,不依赖第三方推送平台
-
技术栈:Kotlin / Python / Rust / Tauri / PostgreSQL · MIT
service-pilot · Windows 服务管理器
把 Windows 后台服务的管理,做成一块能实时看的面板。
-
Tauri 2 + React 19 + Rust 构建的原生桌面应用
-
启动 / 停止 / 监控 / 检查 Windows 后台服务,实时状态刷新
-
面向真实运维场景:不用再跟 services.msc 和命令行搏斗
-
技术栈:TypeScript / React / Rust / Tauri · MIT
1. 规划与执行分离
复杂任务不交给一个模型从头做到尾:
-
Hermes(AI 助理)负责需求拆解、方案设计、任务卡编写与代码审查;
-
Claude Code 负责具体编码实现;
-
人只做两件事:仲裁方案,验收结果。
好处是每一步都有独立的第二双眼睛:写的人不审自己,审的人不动手。
2. 最小改动优先(ponytail)
日常启用 ponytail(lazy senior dev 模式)约束 AI 的产出:
-
能一行解决,不写两行;
-
删除优于新增;
-
不写没人要的抽象、配置项和"以后可能用得上"的代码;
-
但风险逻辑必须带测试——懒的是方案,不是质量。
3. 证据驱动,跑过才算完成
不靠"看起来对":测试通过、真实输出、日志核验之后,才算做完一件事。写代码如此,运维排障也如此。
4. 把重复劳动变成流水线
能自动化的不做第二次手工:自举式自动开发流水线、定时巡检、看门狗自愈——人只在需要判断的地方出现。
5. 克制的可观测性
日志分级,告警只推送真正需要人介入的事。告警风暴是缺陷,不是勤奋。
6. 长期记忆靠留档,不靠硬记
这条是在 Hermes 里落实的(所有 profile 全部同步),主要设置三个参数:
| 参数 | 值 | 作用 |
|---|---|---|
| memory.memory_char_limit | 12000 | 常驻记忆的字符上限(原 2200) |
| memory.user_char_limit | 4000 | 用户画像的字符上限(原 1375) |
| sessions.auto_prune | false | 会话永久留存在本地,不自动清理 |
原则:常驻记忆只放跨会话有效的偏好与约定,具体细节用时再从本地会话记录里检索(session_search),而不是预先塞满上下文。
在这之上再以插件形式安装长期记忆引擎(Hindsight 插件),作为 Hermes 的第三方扩展接入:
-
本地嵌入式部署:知识图谱 + 实体解析 + 多路召回;嵌入与重排模型都在本机运行,会话内容不出这台机器
-
分工:内置记忆负责"每次都要知道的约定",Hindsight 负责"按需检索的历史细节"
-
自愈:守护进程交给插件按需拉起(官方设计:首次使用自动启动,无需外部保活)——前提是把
hindsight-api连同嵌入模型依赖装成持久运行时,插件才能用完整环境自行拉起 -
可审计:另装只读的 memory-ui 插件,在 Dashboard/桌面端直接翻看记忆库——系统到底记住了什么,必须随时能查证
-
现状:无需自己挂任何守护进程——插件按需自动拉起/回收 daemon(
网关 → 插件 → daemon → Qwen3 嵌入),记忆节点与知识层持续沉淀,中英文召回/合并均已实测验证 -
检索语言对齐:引擎默认的英文嵌入模型对中文检索基本失效(实测中文查询零命中)——按「下载量 / 生产遥测 / 双语实测榜」三份数据选型,落地 Qwen3-Embedding-0.6B(1024 维,Apache 2.0,C-MTEB 小模型第一),中英文召回均实测通过
记不住的应该被记下来,而不是被猜出来。
维护了一个可被 AI agent(Hermes 等)直接加载的运维 skill 仓库:agent-skills。首发 hermes-update-network-fix:修复 github.com HTTPS 被阻断网络下 hermes update 失败。加载方式见该仓库 README。
这个主页会随我的工程习惯一起更新。
