P.01
把模糊变成可执行的边界
需求先经澄清、拆解和方案化，再进入实现。复杂系统里，最贵的往往不是代码，而是含混。
Applied AI workbench · Chengdu
构建能进入真实业务的 AI 系统。
我是 Ben，一名 AI 应用工程师，也是有企业系统底盘的长期开发者。我在做 Agent、RAG、Computer Use 与 AI 原生研发工作流：让模型不只会回答，还能在权限、工具、数据和失败边界内可靠地完成工作。
01 / How I build
先把问题说清，再把交付做实。
我喜欢新工具，但更在意它们是否让结果更可靠。下面三条，比一长串技术名词更接近我的工程习惯。
P.02
让流程可以恢复和验证
状态、失败路径、测试、评审和交付记录都应被设计进去；AI 参与越深，这一点越重要。
P.03
技术服务于真实工作
Agent、RAG、本地模型或自动化都只是组件。只有进入权限、数据与业务流程，价值才真正成立。
02 / Selected work
围绕 AI 工程，持续做可以运行的开源项目。
从 Agent runtime、研发工作流和知识系统，到安全的本地智能工具。这里优先展示我真正投入构建、并能代表当前方向的项目。
Project 01 · Agent systems
enterprise-
research-agent
轻量、可追踪、可扩展的企业研究 Agent。把 LLM、企业知识、公开 Web、只读数据库、受限计算、浏览器自动化与 MCP 工具放进同一个 runtime，并保留每次研究的计划、来源、执行轨迹、用量和成本估算。默认离线模式即可跑通完整工作流。
Explore repository ↗Project 02 · AI-native engineering
claude-code-
dev-workflow
一组有主见的 Claude Code 插件：用 forge-prd 分层拷问模糊想法，再通过可恢复的 dev-flow 串起技术方案、垂直切片、TDD、自测、评审和总结。
Explore repository ↗Project 03 · Knowledge systems
rag-platform
企业知识库 RAG 平台：离线入库与在线检索分离，向量 + BM25 混合召回、RRF 排序、Qdrant 存储，并在检索阶段执行 RBAC 权限预过滤；提供 FastAPI / MCP 双入口。
Explore repository ↗Project 04 · On-device AI
needle-tasks
由 Needle 2 驱动的离线自然语言任务管理器。任务保存在本地 SQLite；写操作经过模型置信度门控，低置信度请求不会改变状态。
Explore ↗Project 05 · Local-first
碎银记
本地优先的极简记账实验；仅将用户主动提交的识图 / 自然语言内容交给云端模型处理。
Explore ↗03 / Current radar
正在构建、跟踪与验证的 AI 技术版图。
我不把“关注”写成热点名词清单。每个方向都对应具体问题、研究样本或正在动手做的项目。
Building / 01
Agent Runtime 与工具边界
计划、工具注册、权限级别、超时与并发、重复调用保护、执行轨迹与成本预算。enterprise-research-agent 是当前主实验场。
Building / 02
AI 原生软件工程
研究怎样让 Agent 从模糊需求走到可验证交付：上下文工程、技能与插件、垂直切片、TDD、评审，以及长任务的断点恢复。
Applying / 03
RAG 与企业知识
关注 grounding、引用、混合检索、rerank、检索评估和 RBAC，而不是把 RAG 简化成“切块 + 向量库”。
Exploring / 04
轻量与领域模型
以 Needle 2 等工具调用小模型、Kronos 等领域基础模型为研究样本，关注量化、LoRA、结构化输出、端侧成本与专业化能力。
Applying / 05
Computer Use 与业务自动化
Playwright 会话复用、页面操作、文件流转、失败留痕与人工确认；目标是可控地进入流程，而不是做脆弱的无人值守演示。
Researching / 06
评估、可观测与模型经济性
追踪质量、延迟、token 与成本，让模型选择和系统演进有证据；同时关注本地推理对隐私、可靠性与部署边界的改变。