选型没有银弹。我们踩过的坑——时区、内存参数、子表数量——都是文档里写得清楚但容易被忽略的细节。建议任何团队在迁移前，先用真实数据量做 PoC，重点测写入吞吐、聚合 P99 和压缩比，再决定是否切换。

我们评估了三条技术路线，各有取舍。在集群中部署 Prometheus 采集业务指标，通过 prometheus-adapter 将其暴露为接口，HPA 直接消费。优点：生态成熟，Prometheus 已是可观测性标配，指标定义灵活。缺点：需要维护 adapter 的指标映射规则（rules配置），且 Prometheus 拉取周期（默认 30s）与 HPA 同步周期（默认 15s）叠加，端到端响应

适用场景商品/内容库规模大（百万级以上），且用户查询口语化严重、同义表达多；有明确的语义召回痛点（无结果率高、长尾词漏召回），且能拿到高质量的领域标注做向量模型微调或评测；团队有独立的向量库运维能力，或愿意引入 Milvus/ES 8.x 等成熟方案。不适用或需谨慎的场景（别照搬）商品库小于 10 万、查询以精确型号为主（如搜"iPhone 15 Pro Max 256G 黑色"），BM25 已足

AI 是附加能力，不是产品骨架。产品的主流程、数据模型、交互方式，在设计之初并不依赖 AI；AI 是在产品已经成型之后，被「嫁接」上去的。在原有搜索框上叠加一个「AI 智能搜索」入口；在文档编辑器里加一个「AI 帮你写」按钮；在客服系统里接入一个基于大模型的自动回复机器人；在报表工具里增加「AI 生成分析结论」的侧边栏。去掉 AI，产品依然完整可用。AI 增强应用的价值在于「提效」，它让用户在做原

AI Agent 可观测性是保障多步推理系统稳定性和可靠性的关键基础设施。通过轨迹追踪、指标监控、日志关联和评估反馈的有机结合，开发者能够逐步揭开多步推理的黑盒，实现问题的快速定位与持续优化。未来，随着 Agent 应用规模扩大，可观测性将向自动化诊断、智能告警和根因分析方向演进，成为 Agent 工程化落地不可或缺的一环。

AI Agent 可观测性是保障多步推理系统稳定性和可靠性的关键基础设施。通过轨迹追踪、指标监控、日志关联和评估反馈的有机结合，开发者能够逐步揭开多步推理的黑盒，实现问题的快速定位与持续优化。未来，随着 Agent 应用规模扩大，可观测性将向自动化诊断、智能告警和根因分析方向演进，成为 Agent 工程化落地不可或缺的一环。

为开发者提供清晰的行动建议与自查清单。核心总结：抄其“神”（设计思想与用户体验），而非其“形”（具体资产与代码）。行动清单明确学习目标（学交互？学视觉？学技术？进行设计解构与模式分析。使用合法资源与工具进行重构。融入自身产品的独特基因进行创新。最终交付前进行法律与伦理自查。最终倡议：鼓励在尊重知识产权的前提下，通过深度研究推动整个前端社区的设计与技术水准。

为开发者提供清晰的行动建议与自查清单。核心总结：抄其“神”（设计思想与用户体验），而非其“形”（具体资产与代码）。行动清单明确学习目标（学交互？学视觉？学技术？进行设计解构与模式分析。使用合法资源与工具进行重构。融入自身产品的独特基因进行创新。最终交付前进行法律与伦理自查。最终倡议：鼓励在尊重知识产权的前提下，通过深度研究推动整个前端社区的设计与技术水准。