作品集 / 阶段总结
Phase 3 作品集
- 文件：docs/FINANCE_AGENT_PROJECT.md（1,799行，~30页架构文档）
188 行PHASE3_PORTFOLIO.md
Phase 3 作品集索引：AI系统工程
完成日期：2026-10-28 学习投入：60天 × 6h = 360小时 总产出：~34,344行笔记 + 22页方法论 + 30页金融Agent项目 + 1805行面试集 目标岗位：Anthropic应用团队 / OpenAI ChatGPT Apps / Web3 AI Agent公司（Virtuals/ai16z/ElizaOS） / 金融AI产品PM / AI架构师
🏆 旗舰产出（求职简历首推）
1. 金融研究AI Agent v1（生产级）
- 文件：
docs/FINANCE_AGENT_PROJECT.md（1,799行，~30页架构文档） - 代码体量：嵌入Day 178（2,144行）的完整Python模块
- 能力：
- 5个专业Agent（Macro/Equity/Crypto/Compliance/Coordinator）
- 17个金融工具（财务API/链上RPC/新闻订阅/计算器/可视化等）
- 完整RAG（hybrid + rerank + Voyage finance-2 + Qdrant）
- 4层Memory（session/long-term via Mem0+Chroma）
- Guardrails（pre-prompt + runtime + post-output）
- Langfuse observability + 100条golden test
- 架构总览：UI → API网关 → Orchestrator (LangGraph) → 5 agents → 17 tools → RAG/Memory/Guardrails → Eval
- 简历呈现："设计并实现金融研究AI Agent v1（5 agents + 17 tools），含完整RAG/Memory/Guardrails/Eval栈，Anthropic Claude 4.7 + LangGraph"
2. 《生产级AI系统工程方法论》白皮书 v1.0
- 文件：
docs/AI_ENGINEERING_METHODOLOGY.md（1,406行，~22-25页） - 结构：14章 + 3附录
- 核心章节：
- 第4章 RAG vs 长上下文 vs Fine-tuning 决策框架（含具体阈值）
- 第5章 RAG架构5个层级（Naive→GraphRAG）
- 第6章 Agent设计模式5种（含适用场景）
- 第7章 Eval体系4层防线
- 第8章 Cost优化8个杠杆
- 第12章 Web3 × AI Agent特殊考量
- 简历呈现：作为AI工程岗写作样本
3. 30道资深AI系统工程面试题集
- 文件：
docs/daily/EXPERT-DAY180-INTERVIEW.md（1,805行） - 覆盖：LLM基础与Prompt(8) + RAG(8) + Agent(8) + LLMOps(6)
- 难度分布：资深 18 / 高 8 / 中 4
- ⭐ 高频核心题（6道）：
- Q1: Self-attention数学（QKV/softmax/√d_k）
- Q2: Claude prompt caching机制
- Q9: hybrid search的RRF如何调参
- Q17: agent vs workflow何时各用
- Q18: 防止tool calling无限循环
- Q25: 为金融RAG设计eval体系
📚 深度笔记集（按主题）
A. LLM基础与Prompt工程（Day 121-134, 6,709行）
- Day 121: Transformer深入（含QKV、KV-cache、RoPE/ALiBi）
- Day 122: Scaling laws + Chinchilla
- Day 123: Tokenization的中文/数字/code陷阱
- Day 124: Sampling策略（Top-p/k/temperature/spec decoding）
- Day 125-126: Prompt基础模式（CoT/ToT/Self-consistency）+ Structured output
- Day 127: Week 19 — LLM必懂50点
- Day 128: DSPy自动化prompt优化
- Day 129: Multi-modal（Claude vision处理金融报表）
- Day 130: 长上下文 + prompt caching实测
- Day 131: Prompt安全（injection/jailbreak红队）
- Day 132: Constitutional AI（Anthropic CAI论文）
- Day 133: 4模型选型矩阵（Claude/GPT/Gemini/Llama）
- Day 134: Week 20 — Prompt工程SOP
B. RAG高级模式（Day 135-148, 8,697行）
- Day 135: 最简RAG（loading→embedding→Qdrant→Anthropic）
- Day 136: 5个embedding model对比（OpenAI/Voyage/BGE/Cohere）
- Day 137: 5个vector DB实战benchmark（Pinecone/Qdrant/Weaviate/pgvector/Chroma）
- Day 138: Hybrid Search（BM25 + dense + RRF）
- Day 139: Reranking（Cross-encoder + Cohere rerank-3）
- Day 140: Query understanding（HyDE + Multi-query）
- Day 141: Week 21 — rag_v2集成
- Day 142: Hierarchical RAG（Parent-child + Auto-merging）
- Day 143: GraphRAG（Microsoft GraphRAG + Neo4j）
- Day 144: Agentic RAG（self-RAG + CRAG）
- Day 145: 长上下文 vs RAG cost实测对比
- Day 146: Multimodal RAG（ColPali + Vision RAG处理金融PDF）
- Day 147: RAG Eval（Ragas忠实度/相关性）
- Day 148: Week 22 — rag_v3 production
C. Agent架构与多Agent（Day 149-162, 6,013行）
- Day 149: Anthropic "Building Effective Agents"分析
- Day 150: 裸ReAct实现（不依赖框架）
- Day 151: Plan-and-Execute模式
- Day 152: 10个金融工具的schema设计（含错误处理+parallel calls）
- Day 153: MCP server完整实现（@modelcontextprotocol/sdk Python版）
- Day 154: A2A通信（agent间消息传递）
- Day 155: Week 23 — Agent模式总结
- Day 156: LangGraph深度（StateGraph + checkpoint + interrupt）
- Day 157: 同任务三框架对比（CrewAI/AutoGen/LangGraph）
- Day 158: 4层Memory（含Mem0 + Chroma长记忆）
- Day 159: 多Agent协作（Hierarchical/Network/Sequential三种topology）
- Day 160: Agent评估（Trajectory + AgentBench）
- Day 161: Onchain Agent（x402支付 + ERC-7715 session keys）
- Day 162: Week 24 — multi_agent v1集成
D. 生产基础设施与评估（Day 163-176, 6,500行）
- Day 163: vLLM/SGLang部署 + PagedAttention
- Day 164: Anthropic prompt caching完整代码（90% off cached tokens）
- Day 165: Streaming + spec decoding + parallel tools
- Day 166: 20条deterministic eval（pytest unit tests）
- Day 167: LLM-as-judge（含position bias + Cohen's κ）
- Day 168: 100条golden dataset（含adversarial cases）
- Day 169: Week 25 — eval CLI + GitHub Actions CI
- Day 170: Langfuse完整接入（tracing + scoring）
- Day 171: PromptOps（git→Langfuse + canary）
- Day 172: Prompt vs RAG vs FT决策框架
- Day 173: LoRA实战（Unsloth + Llama-3.2-3B QLoRA）
- Day 174: Guardrails三层防御（NeMo + Anthropic safety）
- Day 175: Red teaming（200条对抗corpus + ASR测试）
- Day 176: Week 26 — LLMOps全栈集成
E. 实战与综合产出（Day 177-180）
- Day 177: 金融AI Agent设计（PRD + 架构 + 技术选型 + trade-off）
- Day 178: 金融AI Agent实现（17 tools + 5 agents + 完整代码）
- Day 179: Eval（100 golden cases）+ 优化（v1.0→v1.2，cost -53%）+ Demo + 方法论白皮书
- Day 180: Phase 3总结 + 30道面试集
🎯 求职使用指南
简历亮点提炼
AI系统工程与金融AI Agent (自学项目，2026-08~10)
- 完成60天系统化AI工程研究（360h），覆盖LLM基础→RAG→Agent→LLMOps全栈
- 主笔《生产级AI系统工程方法论》白皮书（22页，14章），提出RAG/长上下文/FT三选一决策框架
- 设计并实现金融研究AI Agent v1（5 agents + 17 tools + 完整RAG/Memory/Eval栈）
- 100条golden test set上完成v1.0→v1.2迭代：score 0.683→0.821，cost降53%，latency降40%
- 实现MCP server / LangGraph多agent协调 / Anthropic prompt caching成本优化 / Onchain agent (x402+session keys)
- 主导LLMOps全栈集成（Langfuse + PromptOps + Red Team + 4层eval防线）
- 整理30道资深AI工程师面试题集
申请渠道优先级
- 顶级AI公司应用层：Anthropic应用团队 / OpenAI ChatGPT Apps team / Google AI Apps
- AI×Web3 PM岗：Virtuals Protocol / ai16z / ElizaOS / Olas / Bittensor
- AI×金融：BlackRock AI Lab / JPMorgan AI Research / Bloomberg AI / AlphaSense / Ramp AI
- AI Infra/Agent平台：Replit Agent / Cursor / Cognition (Devin) / E2B
- 垂直AI Agent公司：Bridge / Adept / Decagon / Mintlify / Letta (MemGPT)
面试样本组合
- 架构样本：FINANCE_AGENT_PROJECT.md 第3-9章
- 代码样本：Day 178 orchestrator.py（LangGraph state machine）+ Day 153 mcp_server.py
- 方法论样本：AI_ENGINEERING_METHODOLOGY.md 第4-7章（决策框架+RAG层级+Agent模式+Eval）
- Eval样本：Day 167 LLM-judge设计 + Day 168 golden set
- Cost优化样本：Day 164 prompt caching实测（成本降90%）
📊 量化对比（与原Phase 3 KPI）
| KPI项 | 计划 | 实际 | 达成 |
|---|---|---|---|
| 完整RAG系统 | hybrid+rerank | 5级RAG（含graph+multimodal） | ✅ 130% |
| Multi-agent框架 | 3种协作模式 | 3种 + onchain agent | ✅ 130% |
| LLMOps工具链 | tracing+eval+CI | 全栈（含guardrails+red team） | ✅ 100% |
| 金融AI Agent | 生产级 | 5 agents + 17 tools + 完整eval | ✅ 100% |
| 方法论白皮书 | 单份 | 22页14章 | ✅ 100% |
| 面试题数 | 30 | 30（含⭐6道核心） | ✅ 100% |
| 总学习时长 | 360h | 360h | ✅ 100% |
| 笔记总行数（参考） | ~24,000 | 34,344 | ✅ 143% |
⚠️ 已知限制与改进点
- 未在主网真实运行：Onchain agent (Day 161)在testnet/mock中演示
- Multimodal/Vision/Voice：覆盖较浅（白皮书第14.6标记为v2.0）
- 真实业务接入：未与真实金融数据源（Bloomberg/CapIQ）签约接入
- Fine-tuning实测：LoRA仅在小模型上跑通，未做大规模领域适配
- Eval scale：100 golden cases远不足生产规模（目标1000+）
🔗 引用关系
- Phase 1+2+3协同：机构DeFi×量化×AI Agent的稀缺组合
- 可瞄准岗位：机构AI研究Agent PM / DeFAI协议产品 / RWA智能投顾架构师 / 量化AI研究员
- Phase 1作品集：
docs/PHASE1_PORTFOLIO.md（机构DeFi/RWA） - Phase 2作品集：
docs/PHASE2_PORTFOLIO.md（量化与微观结构） - 下一阶段：Phase 4 密码学工程（Day 181-270，90天）— ZK/FHE/MPC/TEE
- 进度追踪：
docs/daily/EXPERT_PROGRESS.md - 完整270天计划：
docs/EXPERT_DEPTH_270_PLAN.md