本项目构建了一个网关路由 AI 安全审计系统，采用"通用 Agent + 业务 Skill"分层设计，增量日检/存量月检。落地 Open 网关路由越权漏洞检测流程，通过 AI 批量筛查 + 人工深度验证的人机协同模式，为大规模 API 安全审计提供了可复用的智能化解决方案。充分发挥通用 Agent 能力，业务逻辑在 Skill 中快速迭代。

埋点和指标需求中，消耗数据承接方的不是生成答案，而是补齐证据链、对齐历史口径、识别下游影响，并在生产写入前留下可追溯的确认记录。本文数据承接方指承接业务需求的数据同学或业务合作伙伴；后文讨论内部研发、元数据、查询和门禁能力在流程中的角色。

参与公司 AI 辅助编程 POC，体验后选择Claude Code CLI，通过脚本实现多模型切换，结合 IDE 与终端自动化打造多屏协同环境，采用多 Agent 与规范驱动开发，并利用各类扩展功能，形成一套高效可控的 AI 辅助编程工作流。

后端排查 BUG 流程重复繁琐，需频繁切换日志平台与 IDE。本文结合 Claude Code Skill 与日志平台 MCP 协议，实现 /log-diagnosis 智能诊断能力，让 AI 自动完成日志查询、代码定位与根因分析，并通过实战案例验证效果，为 AI 赋能研发提效提供工程化实践方案。

本文为 FlinkSpec 系列之开篇，亦是这场工程化变革的序章。BP Claw 所立之处，不过链路之源。FlinkSpec 所图，乃以 AI 之力，将实时数仓从需求落地至验收上线的全程工序，熔铸为一套精密自洽、生生不息的智能工程体系。宏图未竟，后续系列将逐章揭幕，敬请期待！

Harness 工程通过职责分层实现研发流水线可靠性提升。Claude 负责需求理解与代码生成等语义层工作；hooks 负责规范检查等确定性执行；Subagents 隔离血缘查询、自测等高 token 操作；Memory 承载跨会话状态持久化。四层协同使数仓 AI 开发从"对话式辅助"转变为"规则驱动的自动化流程"。

我们发现最有效的AI编程模式是"人类主导，AI辅助"，而不是反过来。标准化代码生成（如基础CRUD接口）、单元测试编写、API文档生成等重复性高、规则明确的任务。技术方案设计、复杂逻辑实现、代码审查等需要结合领域知识和创造性思维的任务。需求分析、架构设计、质量决策等高风险、高创造性的任务。上下文管理的实用技巧为不同功能模块创建独立对话线程。我们曾经在一个对话里讨论三个不同模块，结果上下文混乱到不得

在人工智能技术快速演进的时代，大型语言模型和AI智能体已成为各类应用的核心组件，引发AI相关API流量的指数级增长。而大模型网关，正是这场变革中应运而生的智能交通枢纽。随着DeepSeek、Qwen等开源模型及各类商用大模型的普及，企业AI应用场景日益丰富，从智能客服自动化到代码生成与软件开发，从金融法律分析到内容生成引擎，AI正深度融入企业核心业务流程。

财务数仓因复杂度高、容错率低，传统人工易出错。引入AI大模型在需求理解、代码编写、质量测试、文档沉淀全链路提效。实践证明，AI在标准化建模、SQL开发、数据测试等场景显著提升效率与质量，让数仓工程师聚焦业务判断，实现人机协作新模式。

本文记录了为 Claude Code 构建的一套持久化记忆与自我学习系统的设计思路与实现细节。这套系统让 AI 助手能够跨越会话边界记住用户习惯，并在每次对话结束后自动提炼行为规律和系统信息，通过向量检索快速提取关键信息，下一次对话时主动应用，逐步进化为更懂你的编程伙伴。