这篇文章的本质就是我个人的建筑图纸。

金融相关文章移步：blog.ztrader.ai

全球主站点：ztrader.ai

这份 note 不是写给外界，也不是为了观点传播。

它是内部文档，属于我在一年里构建出来的个人系统结构，用来校准、整理与迭代。

请注意：

1. 我不需要认可，也不需要讨论“对不对”。

   
   

2. 我不需要阅读量，也不需要流量。

   
   

3. 我写下来的目的只有一个：梳理底层结构，进一步完成下一代迭代。

   
   

4. 如果你能讨论底层逻辑、技术路径、架构原理，欢迎。否则免开尊口。

   
   

5. 公众号随时会封，所以这只是临时版本。未来我会把生态迁移到 Matrix + Telegram + 自托管系统，彻底摆脱平台依赖。

   
   

图纸展开：

1）CI/CD 全自动化工作流：从“自动部署”到“自愈式软件系统”

过去一年我构建了一套属于自己的 CI/CD 系统，它不只是部署，而是一个自我调试 + 自我回滚 + 自我记录的体系：

1.1 系统能力清单

• GitHub Actions → 自动构建、自动部署到服务器

  
  

• Nginx/Node/PM2 → 服务端自动拉起

  
  

• 502 / 504 自动回滚机制

  
  
  • 
    

    当检测到冷启动失败、端口无响应、健康检查失败

    
    
  • 
    

    系统自动执行：

    • revert commit

      
      
    • 
      

      restore 上一编译成功版本

      
      
    • 
      

      重启 PM2

  
  

• 错误日志自动推送到 Obsidian Vault

  
  
  • 
    

    使用 webhook + local agent

    
    
  • 
    

    所有 build log、runtime log 结构化为 JSON

    
    
  • 
    

    打包进 RAG 知识库作为训练材料

    
    
  
  

1.2 技术可行性验证

• GitHub Actions → 100% 可达成

  
  

• 自动回滚 → 需自写脚本, PM2 + health check 即可

  
  

• Obsidian note → 通过 local webhook / Templater 可自动入库

  
  

• RAG 切片 → 用 LangChain/OpenAI embedding 直接处理 JSON

2）Full Agentic Cross-Lattice Workflow（专家模型垂直工作流）

我把过去一年里 AI 的使用方式总结成一个端到端工程化流程。

它不是“让 AI 写代码”，而是“让 AI 参与整个开发生命周期（End to End）”。

2.1 工作流结构（Workflow Structure)

流程拆成六段：

1. API 层

   
   

   • 选择哪种模型~

   • 哪项任务适合哪种模型

     
     
   • 
     

     Qwen 写 Rust？Claude 写 TS？GPT 写系统结构 etc?

     
     
   
   

2. 任务定义文档（技审规范）

   
   

   • 提示词不是一句话

     
     
   • 
     

     是一份 1～3 页技术标准：

     
     
     • 
       

       输入格式/

     • 输出格式/

     • 栈选择/

     • 命名规范/

     • 架构规则/

     • 禁止事项（don’ts）

       
       
     
     

3. 核心：“先搜索再生成再验证”机制（Retrieval First and ALWAYS VERIFY）

   
   
   • 
     

     所有任务 → 先检索~

   • 再生成

     
     
   • 
     

     保证输出不凭空编造

     
     
   • 
     

     类似工具链：browser search / RAG / GitHub search

     
     
   
   

4. 生成代码后的再验证链

   
   
   • 
     

     让 Codex/Claude 对生成代码做二次审计

     
     
   • 
     

     检查注释、依赖、兼容版本、schema、端口冲突

     
     
   
   

5. 人工审计

   
   

   人工干预进行代码终审：

   • 文件结构/

   • 逻辑闭环/

   • 版本一致性/

   • 安全性

     
     
   
   

6. Token 精准控制

   
   

   • 对生成范围进行严格 hard limit

     
     
   • 
     

     保证模型不乱跑、不外延、不失控

     
     
   
   

2.2 技术验证

本质来说上述流程是类似于Anthropic 的 workflow 或 ReAct DAG

3）GitHub 大规模代码爬取 → 自建代码向量库（Code Arsenal）

为了提高代码生成的可靠度，我构建了一个军械库（Arsenal）：

3.1 Arsenal 框架

• 扫描 GitHub 上成熟框架

  
  

• 按语言/框架分类切片

  
  

• 转 embedding → 进入向量库

  
  

• 再用 codex/claude 在 IDE 中进行“上下文增强开发（CED）”

  
  

3.2 典型工作流

1. 先设计架构（port, naming, env, folder hierarchy）

   
   

2. 从军械库检索类似项目

   
   

3. 抽取最可用的代码段

   
   

4. 结合 copilot/Claude code 补全

   
   

5. Atlas 的 browser devtools 审查前端行为

   
   

3.3 技术验证

• GitHub API + embedding → 可实现

  
  

• CodeRAG → 已有成熟项目

  
  

• IDE 内增强 → VSCode plugin or local RAG agent

4）Agentic AI Lattice（专家矩阵）

4.1 架构

每个“专家模型”由以下组成：

• 特定 prompt

  
  

• 特定技术文档

  
  

• 特定技术栈

  
  

• 特定规则集（do/don’t）

  
  

• 独立端口（用 pm2 管理）

  
  

• 训练素材（GitHub + 知识库）

  
  

4.2 工作流

1. 描述任务

   
   

2. Agent 自动生成专用高密度 prompt（约 300～500 英文单词）

   
   

3. 加载对应技术标准、env、schema

   
   

4. 自动进行“先搜索后生成”

   
   

5. 通过 Codex/Claude 执行再验证

   
   

6. 通过浏览器/终端验证

   
   

7. 成功则入库 → 成为新专家模型的参数

   
   

(to be cont'd)