一等奖5%、二等奖15%、参与奖80%，加起来正好100%，看上去很合理。我给一场260人的公司活动做抽奖H5时，也差点照着写。再看奖品表才发现，一等奖只有2份。按5%随机，理论上可能抽出十几个一等奖，库存根本兜不住。AI生成抽奖H5、抽奖概率算法、奖品库存、幂等请求、零代码活动页面。

先把结论摆这儿:让 AI 智能体连数据库做问答,最稳的防线不在 prompt,在——给它一个只有SELECT权限的只读账号,再叠一层视图和。提示词层面的"请不要删数据"全是心理安慰,真正拦得住DROP TABLE的是 MySQL 那句。下面是我上周踩完坑后的完整做法。

先把结论摆这儿:让 AI 智能体连数据库做问答,最稳的防线不在 prompt,在——给它一个只有SELECT权限的只读账号,再叠一层视图和。提示词层面的"请不要删数据"全是心理安慰,真正拦得住DROP TABLE的是 MySQL 那句。下面是我上周踩完坑后的完整做法。

坐席最烦啥？用户跟机器人聊了十几句，一转人工，坐席啥都不知道，得让用户从头再说一遍。用户火大，坐席也累。我们给客服智能体加了个小功能：转人工的瞬间，自动把前面这段对话压成一份"前情提要"，连同对话一起推给坐席。坐席接手时屏幕上就摆着"用户是谁、想干嘛、卡在哪、试过啥"，不用再问一遍。上线后转接环节的体验明显顺了。讲讲怎么做的。

说个取舍——加了校验，确实会偶尔出现"上游其实数据没问题，只是格式跟我 schema 约定有点出入，被误拦了"的情况，需要回头放宽规则，有维护成本。这套工具返回值校验，我是在一个零代码、还能把成品发布成 API 的平台上配的——工具节点后面挂一个 schema 校验节点，不过就走重试或兜底分支，逻辑拖出来连一下就成，不用自己写一堆 if-else 防御代码。重试还不过 → 不把脏数据给模型，而是给

我们组就两个运维，半夜告警一响，第一件事永远是爬起来翻日志。翻到眼花，才能定位到底是哪个服务抽风。干了几年，我实在受不了了，想搭个小助手帮我先看一眼。关键是我不太会写代码，Python能看懂改不动那种。所以一开始没敢想。后来发现现在有那种零代码就能配AI小助手的平台，拖一拖配一配就成，我就试了试。下面是我搭这个助手的完整步骤，给同样不会编程的运维同行参考。