Frontend Engineer → AI Application Engineering
LLM Application Agent Runtime Streaming UI Enterprise AI
5 年企业级前端开发经验（ERP / OA 等复杂业务系统）， 近期聚焦 AI Application Engineering。
具备企业级 AI 知识问答平台落地经验： SSE / Fetch Stream 对接 LLM 流式响应、RAG 问答链路、多会话状态管理。
关注方向： Agent Runtime、Streaming UI、Enterprise AI。
| 过去积累 | 在 AI 应用中的对应价值 |
|---|---|
| ERP / OA 复杂业务系统 | 企业 AI 应用要嵌入审批流、权限体系、多角色视图——这是我一直在做的场景 |
| 复杂业务状态管理 | Agent 是多阶段长时运行任务，前端要处理流式事件、部分失败、重试、取消，状态复杂度远高于传统 CRUD |
| 前端工程化 | 类型系统、工程规范、CI、可维护架构，让 AI 应用从 Demo 走向可交付 |
| AI 应用工程（近一年） | Agent Runtime 编排、Tool Calling、RAG、Prompt 工程、流式 UI |
| 方向 | 具体做的事 |
|---|---|
| LLM Application | 把模型能力做成有状态、可恢复的交互产品，而不是一次性问答 |
| Agent Runtime | 设计 Planner / Tool / RAG / Memory / Reflection / Evaluation 的编排与生命周期 |
| Streaming UI | SSE 事件流 → 前端状态机，让多个视图共享同一份运行时状态 |
| Enterprise AI | Provider 抽象、上下文治理、权限体系、可观测性 |
agent-studio · AI Agent Runtime 控制台
把 Agent 的规划、工具调用与反思过程，变成可观测、可解释的事件流。
运行时控制台。Chat / Graph / Timeline / Inspector 四个视图从同一份运行时状态投影出来， 呈现 Agent 从规划到评测的执行过程。
运行时链路
Planner → WorkflowRunner → ToolExecutor → RAG → Memory → Reflection → Evaluator → Final Answer
面向前端视角，重点解决 Agent 长流程任务中的状态同步、
事件流展示、多视图一致性问题。
技术要点
- Agent Runtime — 各阶段解耦、独立可观测；任务创建 / 查询 / 取消 / 重试
- Tool Calling — ToolRegistry 注册 + ToolExecutor 执行，含工具失败重试与降级链路
- SSE Streaming — 15 类运行时事件推送，前端状态机驱动多视图同步
- RuntimeObject — 统一投影模型，避免"时间线显示执行中、对话区显示已完成"的状态不一致
- Observability — trace / latency / token 三类指标
实现边界（如实说明）
- LLM 层支持接入任意 OpenAI 兼容模型（
OPENAI_API_KEY/OPENAI_BASE_URL，含 tool calls 解析）； 未配置时使用 Mock Provider，保证离线可演示 - RAG 当前为内置示例知识库 + 关键词检索，用于跑通链路；向量检索为下一步计划
TypeScript React Node.js Agent Runtime SSE Streaming Tool Calling RAG Observability
spark-workshop · LLM Application 实践项目
AI 创意写作工具 把「我有个想法」推进到「可以开书」，中间那段最费脑力的结构工程交给 AI 辅助。
真实接入 LLM 的项目：9 个服务端代理路由 + 完整 Prompt 模板库，通过 OpenAI 兼容网关调用模型， API Key 只留在服务端。从一句话灵感出发，生成 3 个世界观方向，进入可编辑大纲， 再用理论引擎检测发现故事可能崩盘的地方。
- 服务端代理 — 前端不接触 API Key；支持
LLM_USE_MOCK本地开发模式 - 理论诊断引擎 — 8 个可解释引擎，诊断结果引用具体字段作为证据，而非黑盒打分
- 人是决策者 — AI 生成的正文候选必须经作者采纳才写入；生成失败保留原稿，不用 mock 冒充
Next.js React TypeScript LLM Prompt Engineering IndexedDB
enterprise-admin-kit · 企业中后台 AI Runtime 架构探索
Chat 只负责渲染状态，AI 行为由 Runtime 层承接。
面向 ERP / OA 类系统的中后台框架，加一层 LLM 运行时控制平面。 把 AI 从「写死在页面里的功能」变成「可配置、可调试的运行时模块」。
分层架构
Chat UI → useChatRuntime → ChatRuntime → EventBus
→ Provider → Context Manager → Prompt Engine
→ Knowledge (RAG) → Observability
技术要点
- LLM Runtime — ChatRuntime 编排内核 + EventBus 事件驱动生命周期
- Prompt — 模板注册表、变量注入、渲染预览
- RBAC — 路由 / 菜单 / 按钮 / 字段四级权限控制
- 治理能力 — Context Manager 的 token 估算与压缩；RuntimeGuard 的超时、重试、熔断
实现边界（如实说明）
- Provider 层是架构设计 + Mock / Stub 实现（已定义能力契约与统一错误模型）， 尚未接入真实模型；真实 LLM 接入在 spark-workshop 与 agent-studio 中验证
- Knowledge 层为关键词检索的示例知识库
Vue3 TypeScript RBAC LLM Runtime Prompt Knowledge
- schemaCode — 企业级低代码表单运行时：多来源字段状态决策（
Permission > BPM > Rule > Schema）/ 依赖图与规则调度 / Schema 版本冻结与数据迁移，含 OA 演示应用。架构能力项目，与 AI 无关Vue3TypeScript - World-Link-Alpha — Chrome 扩展 + 全栈后端的产品化探索：4 条 CI 流水线 / 13 个测试 / 30 篇产品文档。AI 辅助端点为本地启发式实现
Chrome MV3ExpressPrisma
前端 TypeScript React Vue 3 Next.js Vite Pinia Zustand
AI 应用 Agent / Tool Calling RAG Prompt Engineering Context / Token 治理 SSE Streaming LLM 可观测性
后端 & 工程化 Node.js Express Prisma monorepo CI/CD Docker
各项目的实现边界与真实程度已在对应仓库 README 中如实披露，关键三处：
| 项目 | 实现边界 | 详见 |
|---|---|---|
| agent-studio | LLM 层支持接入 OpenAI 兼容模型（未配置时 Mock 回退，离线可跑）；RAG 为关键词检索，无 Embedding / 向量库 | Implementation Notes |
| spark-workshop | 真实调用 LLM（9 个服务端代理路由，API Key 只留服务端）；无自动化测试与 CI | LLM 接入方式 |
| enterprise-admin-kit | Provider 为 Mock / Stub 实现，未接入真实模型；知识层为关键词检索 | Provider 实现状态 |
另两个项目：schemaCode 为非 AI 的企业软件架构项目；World-Link-Alpha 的 AI 辅助端点为本地启发式实现。
- 5 年企业级前端开发经验（ERP / OA 方向），转型 AI Application Engineering
- 关注方向：Agent Runtime、Streaming UI、LLM 可观测性
- 目标岗位：AI 应用工程师 · AI 前端工程师 · Agent 平台前端
- 目前在看机会，欢迎交流