周末参加亚马逊的一场线下活动，带回三条收获：RAG 知识库文档在精不在多、掼蛋赢家的提示词只有 200 字、不要相信用户的 query。串起来其实是同一个问题——AI 时代，系统复杂度应该放在哪里。
承认大模型很强，逻辑能力接近无敌——但前几天用最强档 Codex 模型做小 demo，它把所有实体关联都做成了主键 id 外键：当下完全正确，换库类型就成隐患。复盘为什么最强模型选了最'平均'的方案，以及四个把约束说出口的解法。
提示词构建、群聊调度、模型调用编排，从 Go 网关整体搬进 Python LangGraph，形成「Go 管数据与 CRUD、Python 管智能编排」的分层架构。这篇复盘为什么迁、边界怎么划、图怎么搭、可恢复执行怎么做到。
这几个词总是被一起提起，因为它们其实是 LLM 应用落地的五层：知识、技能、智能体、数据、模型。逐层讲清楚是什么、解决什么问题、商业价值在哪。
我最初的做法是高模型出计划、低模型执行，跑了几轮发现这不是最佳实践。这篇复盘坑在哪，并给出按难度分级的完整分工框架。
一个 141 行的 mjs 脚本，把 6 个开发任务、4 个波次、多个 AI Agent 编排起来，并行开发炼丹炉横跨三端的大功能。
复杂任务难的不是写代码，而是需求模糊、代码陌生、链路长、步骤多。我的 Claude Code 工作流怎么逐个拆掉它们。
用 Claude Code 的 superpowers 工作流，把跨仓库需求从脑暴聊到前后端同步落地。
从传统后端到 AI 全栈，我踩过的坑和总结的成长路径。
从宠物医疗 SaaS 系统到 AI 数据平台，我总结的线上排障三步法。
