新技术！

当新技术能够创造出有用的能力、改变架构边界或使现有系统得到实质性提升时，它才具有意义。我评估新兴的人工智能、平台和软件技术，依据的是它们实际能够实现什么、如何与现有系统集成，以及它们引入了哪些运维方面的权衡。

我当前的技术关注方向

AI 应用架构

现代人工智能中有趣的层面越来越是模型周围的系统：提供商抽象、检索、上下文构建、工具、权限、状态、评估、可观测性和运行时控制。模型仍然重要，但应用架构决定了它们的能力如何变得可用。

• 本地、托管和混合模型运行时
• 提供商和模型抽象
• 能力感知的模型路由
• 结构化输出和应用 API
• 评估和行为验证
• 权限感知的工具执行
• AI 客户端和受控运行时环境

智能体、工具与协议

智能体系统引入了一个新的应用层，其中模型可以选择工具、维护状态、观察结果并朝着目标继续推进。重要的工程问题涉及执行边界、权限、可靠性、状态管理以及能力如何暴露给运行时。

MCP 等协议以及相关的智能体互操作性方法之所以重要，是因为它们标准化了模型、运行时、工具、数据和其他系统之间的特定连接。它们应被理解为架构层，而不是被当作完整应用的替代品。

检索、RAG 与上下文工程

检索增强生成正在从简单的向量搜索模式演变为更广泛的检索架构。嵌入、词汇搜索、元数据过滤、重排序、真源选择、来源追踪和上下文构建是各自独立但需要协同工作的关注点。

• 嵌入和语义表示
• 向量和词汇检索
• 混合搜索
• 重排序
• 元数据和权限过滤
• 来源追踪和证据
• 上下文工程
• 答案验证边界

本地、私有与受控 AI

本地推理正在成为与托管模型 API 并行的实用架构选项。Ollama 和 OpenAI 兼容的本地运行时等工具允许应用程序根据隐私、延迟、能力、成本和运维约束在本地和远程执行之间进行选择。

本地 AI 不应与气隙或主权 AI 混淆。这些概念对基础设施、依赖、软件供应链、运维和组织控制提出了不同的要求。

面向人类和 AI 的结构化知识

内容系统越来越多地服务于浏览器页面之外的目的。结构化文档还可以支持搜索、检索、翻译、知识图谱、内部链接和 AI 应用。这使得块标识、元数据、来源追踪、语义关系和多语言同步成为架构层面的关注点。

stajic.de 使用结构化的 EditorJS 内容和多语言发布，作为探索从传统 CMS 内容向机器可读技术知识转变的实践环境。

现代平台工程

现代应用技术栈结合了服务端渲染、类型化的前端与后端代码、关系型数据模型、模块化 API 以及生产基础设施。当架构契合度合适时，Nuxt、Vue、TypeScript、Node.js、Prisma 和 PostgreSQL 为这类系统提供了坚实的当前基础。

桌面 AI 与本地运行时集成

随着 AI 工作负载需要对本地模型、文件、工具和操作系统能力进行受控访问，桌面应用再次变得重要。Aaasaasa AI Client 使用 Electron 和 TypeScript，结合本地与远程 AI 运行时、提供商抽象和受控的应用权限，探索这一边界。

身份、权限与 AI 安全边界

随着 AI 应用获得对工具和企业数据的访问权限，传统的应用安全变得更加重要。身份验证、授权、RBAC、租户隔离、运行时权限和可审计性必须始终作为模型行为周围的明确边界。

生产比演示更重要

技术演示回答的是某件事能否运行。生产架构则要问：当系统拥有真实用户、数据、故障、迁移和不断变化的需求时，它是否仍然可理解、安全、可维护且可运营。

• 它能否被可预测地部署和升级？
• 故障能否被观察和诊断？
• 数据和权限能否被控制？
• 如果依赖发生变化，该技术能否被替换？
• 团队能否理解并运营它？
• 它的收益是否足以证明其复杂性是合理的？

采用、评估或实验

并非每一项有前景的技术都适合立即投入生产。我将已经足够成熟、可用于常规实施的技术，与应在受控概念验证中评估的技术，以及主要仍用于研究和实验的技术区分开来。

通过实现来验证技术

新技术尽可能通过实现来评估。stajic.de、Aaasaasa AI Client、SenseFlow、loving.rocks、figure.rocks 和 bazify.com 提供了不同的环境，用于测试平台架构、多语言发布、AI 集成、本地运行时、搜索、技术 SEO 和生产运营。

目标是更好的系统，而不是更多的技术

我密切关注新兴技术，但新颖性本身并不是设计标准。值得采用的技术，是那些能够创造有用能力，同时让周边系统保持可理解、可控且可交付的技术。