独立完成 AI Agent 从核心架构、整体编排到运行时处理的端到端落地，主导“脑手分离”（控制面 LLM 编排 + 执行面沙箱）核心范式，打通生产级部署与可观测链路。

1. 控制面 Agent 编排：基于 pydantic-ai 设计 coding_agent 运行循环与 35+ 工具的契约/路由，实现并行工具调用、模型级重试、SSE 增量流式回传与失败持久化恢复；基于 token 预算的上下文压缩（checkpoint + projector-append-only）支撑长对话稳定运行。
2. 执行面沙箱生命周期：设计沙箱“创建→活跃→心跳→休眠→唤醒→异常恢复”状态机，结合 Manifest + 对象存储的 Workspace 版本化实现 diff 物化与可唤醒预览；优化冷启动并将对象下载下放沙箱侧，解除控制面串行瓶颈。
3. 提示词与产出设计：将 Agent 定位为 creative implementation partner，设计 resource-first 分层系统提示词，引导模型先把创意拆解为 SDK 资源（character / world_setting / operator）再落地代码。
4. 多模型 LLM 接入层：实现多模型注册表与按模型族动态 Provider 路由，完成 Bedrock→Anthropic 迁移，启用 1h prompt cache 与 token 级用量埋点显著降本。
5. 工程化与基建：搭建结构化流式 SDK 接口与边缘鉴权网关，落地 K8s/Coolify 部署、自托管 CI 镜像构建、uv 依赖迁移与 Logfire 全链路可观测。

2025 年 AI 3D 应用层最重要的产品之一。两个月内独立完成技术选型、架构设计，带一名实习生完成开发、上线与维护，ARR 约 20M $。

1. Project 版本管理：基于 DynamoDB 的原子写入能力，设计 immutable item + version pointer，实现亿级数据量下 latency p99 < 40ms。
2. Context Speed-up：设计 llmdoc-driven 的 context 组织形式，弥补 Agent 在大型项目中搜集慢且易遗漏的问题，有效解决 context floor，并良好支持 Agent 自主验证环境构建。
3. Infra Build：已不再是只写业务就足够的时代，为了更好地加速产品迭代：
   • 使用 ByteBase 做 GitOps + DB MCP
   • 使用 MetaMCP 聚合开发工具链
   • 使用 Claude-Code-Action 做自动 CR
   • 基于 GitHub Issue + Claude-Code-Action 实现 Agent 自动修复 Issue
   • 基于 Streamlit 快速构建 AdminUI，方便 PM / Marketing 同事解决重复性工作

面向 Claude Code 与 Codex CLI 的文档驱动工作流插件，解决 Vibe Coding 中“每次重新理解、跨任务无法复用经验、首轮上下文低密度”的痛点。

1. 渐进式 Context 披露架构：设计七层文档分级（startup / must / overview / architecture / guides / reference / memory），把“概念→文件路径”前置固化，将探索阶段 token 降低 50%+。
2. Skills 编排 / subagent 专业化分工：提出 investigator / worker / recorder / reflector 四角色编排范式，并行调度调研提升效率 3–5×。
3. 反思驱动的记忆沉淀：设计 reflections → decisions → guides 经验流水线，事实优先、避免事后合理化，doc-gaps.md 显式追踪文档缺陷形成长期记忆。