Philosophy
技术选型的原则：
技术选型的原则：
合适优先于新颖
技术栈的时髦程度和项目成功率没有相关性。我们的判断顺序是：业务场景 → 团队可维护性 → 长期成本 → 技术先进性。
能用成熟方案解决的，不引入额外复杂度；必须引入新技术的，先做小范围验证再铺开。
前端与多端
- Vue 3 / ReactSPA
- Next.js / NuxtSSR
- TypeScript标配
- 微信小程序原生MP
- uni-app / Taro多端
- Vite / Tailwind构建
后端与接口
- Java / Spring BootOA
- Node.js / NestJSBFF
- Python / FastAPIAI
- Go高并发
- PHP / Laravel存量
- REST / GraphQLAPI
AI 与数据
- 多模型路由调度网关
- RAG / 向量检索检索
- LangGraph / Dify编排
- MCP / Agent Skills工具协议
- vLLM / Ollama本地推理
- 结构化输出校验稳定
基础设施
- Docker / K8s容器
- MySQL / PostgreSQL存储
- Redis / ClickHouse缓存 / 分析
- Nginx / API 网关代理
- 阿里云 / 腾讯云云
- Serverless + CI/CD工程
Engineering
工程能力：
工程能力：
让系统能长期维护
交付只是开始。系统在无人维护状态下能稳定跑多久，取决于这些工程实践有没有做到位。
架构
分层与解耦
业务逻辑与框架解耦，模型层、检索层可替换；模块化边界清晰，便于后续扩展与交接。
质量
自动化测试
核心链路单元测试 + 接口测试 + 关键路径回归，重构与升级有安全网。
交付
CI/CD 与回滚
自动化构建与部署、灰度发布、一键回滚，发布不再是高风险动作。
安全
安全基线
接口鉴权、参数校验、注入防护、敏感数据脱敏、操作审计与定期备份演练。
性能
可量化优化
慢查询治理、缓存策略、连接池调优、静态资源优化，交付时附实测数据。
观测
监控与告警
日志采集、链路追踪、关键指标看板与阈值告警，问题早于用户发现。
AI Stack
AI 技术能力单独说清楚
这是我们目前投入最多的方向，也是与同行拉开差距的地方。
检索增强（RAG）
- 多格式文档解析：PDF / Word / Excel / 扫描件 OCR
- 切片策略调优：按语义与结构而非固定长度
- 混合检索：向量 + 关键词 + 重排序
- 引用溯源：回答关联原文片段与版本号
Agent 与编排
- 工具注册与调用：对接内部 API 与外部服务
- 多智能体协作：规划者 / 执行者 / 校验者分工
- 执行留痕：每一步可回放、可中断、可人工接管
- 失败重试与降级：超时、限流与兜底策略
模型层
- 统一模型网关，支持国内外主流模型接入
- 按任务难度路由，成本与效果平衡
- 本地模型部署与量化推理（私有化场景）
- 结构化输出校验，保证下游可消费
评测与治理
- 基于真实数据构建评测集与基线指标
- 敏感信息识别与合规拦截
- Token 用量统计、配额与成本看板
- 人工复核通道与反馈闭环
Workflow
研发流程
01
需求
需求拆解
用户故事拆解、验收标准定义、优先级排序。
02
设计
技术设计
数据模型、接口契约、关键技术方案评审。
03
编码
编码与评审
分支管理、代码评审、规范检查与单元测试。
04
验证
测试与验收
功能、性能、安全与兼容性测试。
05
发布
发布与观测
灰度发布、监控接入、回滚预案与复盘。