鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
6
3
11

我的AI应用项目部署上线和域名绑定保姆级流程:SpringBoot+Vue+AI+Nginx+Docker

Ryan
Ryan
2026-07-04 21:04
阅读 1348
Ryan
2026-07-04 21:04
阅读 1348

本文以我的 AI 求职助手简喵为例,完整记录一个 AI 应用从本地打包、上传服务器、Docker Compose 启动、绑定域名、配置 Cloudflare、验证 AI / PDF / 登录链路,到上线后排错和备份的全过程。

简喵在线体验地址:jianmiao.yanxai.com GitHub README: RyanCoreAI/AIResume

当前核心链路是:

▼
text
复制代码
简历模板 / 编辑 → 目标岗位分析 → 岗位竞争力诊断 → 投递文案 → PDF 导出

完整AI核心链路验证请看上一篇文章:blog

项目技术栈:

▼
text
复制代码
前端:Vue 3 + Vite + Nginx 后端:Spring Boot + MySQL + Redis AI:DeepSeek / 智谱等模型 API PDF:Puppeteer 独立服务 部署:阿里云 ECS + Docker Compose + Cloudflare

部署架构图如下:

image.png

选择这个架构的原因:

▼
text
复制代码
1. 所有服务都在一台 ECS 上,部署和排错简单。 2. MySQL、Redis、Puppeteer 不暴露公网。 3. 只有 Nginx 的 80 / 443 对外。 4. Cloudflare 做 DNS、HTTPS、基础防护和访问分析。 5. Docker volume 保存数据库、头像上传、PDF 导出文件。

二、服务器选择与安全组

服务器配置当前项目是2核4G:

▼
text
复制代码
阿里云 ECS Ubuntu / Debian 系 Linux 2C4G 公网开放 80 / 443 SSH 只允许自己的固定 IP MySQL / Redis / backend / puppeteer 一律不开放公网

具体流程如下:

▼
text
复制代码
阿里云控制台 → 云服务器 ECS → 创建实例 → 选择 Ubuntu / Debian → 规格选择 2C4G → 安全组只开放 80 / 443 / 自己 IP 的 22 → 创建后记录公网 IP → 通过远程连接或本地 SSH 登录

本项目使用2核4G云服务器,购买后启动云服务器并点击远程连接服务器设置密码并登录服务器。

image.png

阿里云安全组建议:

▼
text
复制代码
允许: 80/tcp 0.0.0.0/0 443/tcp 0.0.0.0/0 22/tcp 你的固定公网 IP/32 禁止公网开放: 3306 MySQL 6379 Redis 8080 backend 3001 Puppeteer

阿里云官方也建议,公网 Web 服务只开放 80 / 443;SSH 只允许指定管理 IP;数据库端口不要直接暴露公网。

登录成功后会显示如下:

image.png

三、本地发布前检查

在本地项目根目录执行:

▼
text
复制代码
cd D:\AIResume git status --short git diff --check

确认工作区没有临时文件、调试文件、密钥文件。

前端检查:

▼
text
复制代码
npm --prefix frontend install npm --prefix frontend run build npm --prefix frontend audit --omit=dev --audit-level=high

后端检查:

▼
text
复制代码
mvn -f backend/pom.xml "-Dspring.profiles.active=test" test

如果只想先跑核心链路测试:

▼
text
复制代码
mvn -f backend/pom.xml "-Dspring.profiles.active=test" "-Dtest=*Score*,*JobOptimization*,*Pdf*,*DeliveryNote*,*Share*" test

Puppeteer PDF 服务检查:

▼
text
复制代码
npm --prefix puppeteer-service install npm --prefix puppeteer-service audit --omit=dev --audit-level=high node -c puppeteer-service/index.js

Compose 配置检查:

▼
text
复制代码
docker compose config --quiet

这一关过不去,不要上服务器。

四、项目 Docker 打包方式

简喵采用多阶段构建。

后端 backend/Dockerfile 思路:

▼
text
复制代码
第一阶段:JDK + Maven 编译 Spring Boot jar 第二阶段:JRE 运行 jar 最终镜像只带运行时,不带完整构建环境

Docker 官方推荐多阶段构建,因为可以把构建依赖留在前一阶段,只把最终产物复制到运行镜像里,减少镜像体积和攻击面。

前端 frontend/Dockerfile 思路:

▼
text
复制代码
第一阶段:Node 20 执行 npm ci + npm run build 第二阶段:Nginx 托管 dist 静态文件

Puppeteer 服务:

▼
text
复制代码
Node 20 + Chromium + 中文字体 只暴露容器内 3001,不映射到公网

我没有把 Puppeteer 直接塞进 Spring Boot 容器里,而是拆成独立服务。原因是 Chromium 依赖重、字体依赖多、启动和排错都更复杂。拆成独立容器后,后端只需要调用 PDF 服务,PDF 出问题时也能单独看 puppeteer 日志,不会把后端容器搞得很臃肿。

本地可以先构建一次:

▼
text
复制代码
cd D:\AIResume docker compose build backend frontend puppeteer

五、上传代码到服务器

推荐两种方式。

方式 A:服务器直接拉私有仓库

服务器上执行:

▼
text
复制代码
cd /opt git clone <你的私有仓库地址> AIResume cd /opt/AIResume

后续更新:

▼
text
复制代码
cd /opt/AIResume git pull

方式 B:本地打包上传

本地 PowerShell:

▼
text
复制代码
cd D:\AIResume git archive --format=tar --output jianmiao-src.tar HEAD scp -i $env:USERPROFILE\.ssh\jianmiao_codex_ed25519 .\jianmiao-src.tar root@<ECS_PUBLIC_IP>:/opt/

服务器:

▼
text
复制代码
mkdir -p /opt/AIResume tar -xf /opt/jianmiao-src.tar -C /opt/AIResume cd /opt/AIResume

注意:不要把 .env、数据库文件、日志、导出的 PDF、真实上传头像一起打包。

六、服务器安装 Docker

Ubuntu / Debian 示例:

▼
text
复制代码
apt update apt install -y ca-certificates curl gnupg git openssl apache2-utils

安装 Docker 官方源:

▼
text
复制代码
install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg \ -o /etc/apt/keyrings/docker.asc chmod a+r /etc/apt/keyrings/docker.asc

添加源后安装:

▼
text
复制代码
apt update apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

验证:

▼
text
复制代码
docker version docker compose version

七、创建生产环境变量

不要将AI API Key在代码中硬编码暴露极易造成泄露导致AI额度刷爆,敏感配置统一用.env注入。

进入项目目录:

▼
text
复制代码
cd /opt/AIResume cp .env.example .env chmod 600 .env nano .env

关键变量不要写进文章、截图、GitHub、聊天记录。

生产必须填:

▼
text
复制代码
MYSQL_ROOT_PASSWORD=换成强密码 MYSQL_PASSWORD=换成强密码 REDIS_PASSWORD=换成强密码 JWT_SECRET=至少32字符以上强随机 ADMIN_AUDIT_ENCRYPTION_KEY=至少32字符以上强随机 BACKUP_ENCRYPTION_PASSPHRASE=备份加密口令 DEEPSEEK_API_KEY=你的模型服务 key ZHIPU_API_KEY=你的模型服务 key APP_BASE_URL=https://jianmiao.yanxai.com PDF_PREVIEW_BASE_URL=http://frontend APP_ALLOWED_HOSTS=jianmiao.yanxai.com,frontend,localhost,127.0.0.1 COOKIE_SECURE=true REGISTRATION_ENABLED=true

生成随机值可以用:

▼
text
复制代码
openssl rand -base64 48

再次强调:

▼
text
复制代码
.env 只存在服务器本地 不要提交 Git 不要发到聊天工具 不要截图 不要传到 GitHub 否则你的AI API额度会被滥用或刷爆

八、配置 Nginx 管理后台密码

如果项目里有 admin 路径,建议前面再加一层 Basic Auth。

▼
text
复制代码
cd /opt/AIResume mkdir -p deploy/nginx htpasswd -c deploy/nginx/admin.htpasswd admin chmod 600 deploy/nginx/admin.htpasswd

执行后会让你输入密码。不要把密码写到命令行里。

九、配置 HTTPS 证书

两种选择。

方式 A:Cloudflare Origin Certificate

在 Cloudflare 后台生成 Origin Certificate,然后放到:

▼
text
复制代码
/opt/AIResume/deploy/certs/fullchain.pem /opt/AIResume/deploy/certs/privkey.pem

权限:

▼
text
复制代码
chmod 600 deploy/certs/privkey.pem

Cloudflare SSL 模式选择:

▼
text
复制代码
Full strict

Cloudflare 官方说明,Full strict 会要求源站证书有效、未过期,并且证书域名匹配。不要用 Flexible SSL,否则容易出现登录、跳转、Cookie 和回调问题。

方式 B:Let's Encrypt

如果你不用 Cloudflare Origin Cert,也可以用 Certbot 申请公开证书。

但如果站点已经走 Cloudflare,首版用 Origin Certificate 更简单。

十、第一次启动服务

先检查 Compose:

▼
text
复制代码
cd /opt/AIResume docker compose config --quiet

启动基础服务:

▼
text
复制代码
docker compose up -d mysql redis puppeteer docker compose ps

确认 MySQL / Redis healthy 后启动后端:

▼
text
复制代码
docker compose up -d backend docker compose logs backend --tail=200

后端第一次启动会执行 Flyway 数据库迁移。

如果后端 healthy,再启动前端:

▼
text
复制代码
docker compose up -d frontend docker compose ps

完整启动也可以直接:

▼
text
复制代码
docker compose up -d --build

查看状态:

▼
text
复制代码
docker compose ps

正常应该看到:

▼
text
复制代码
airesume-mysql healthy airesume-redis healthy airesume-backend healthy airesume-puppeteer healthy airesume-frontend healthy

image.png

十一、Cloudflare 绑定域名

Cloudflare DNS 添加:

▼
text
复制代码
Type: A Name: jianmiao Content: <ECS_PUBLIC_IP> Proxy status: 先 DNS only,验证成功后再 Proxied TTL: Auto

Cloudflare 官方说明,Proxied 模式会让 HTTP/HTTPS 流量经过 Cloudflare;DNS only 会直接暴露源站 IP。

添加子域名并绑定服务器域名同时开启代理云

image.png

等待代理云配置成功后访问:

https://jianmiao.yanxai.com

image.png

域名绑定成功

建议顺序:

▼
text
复制代码
1. DNS 可以先 DNS only 验证 HTTP 或容器服务是否通。 2. 配好 Origin Certificate 后,不要长期让用户 DNS only 直连 HTTPS。 3. 开启 Proxied。 4. SSL/TLS 选择 Full strict。 5. 用浏览器访问 Cloudflare 代理后的域名验证。

不要一开始就全部打开,否则排错困难。

十二、上线后基础验证

服务器本地验证:

▼
text
复制代码
curl -I http://127.0.0.1/ curl -kI https://127.0.0.1/

公网验证:

▼
text
复制代码
curl -I https://jianmiao.yanxai.com/ curl -fsSL https://jianmiao.yanxai.com/robots.txt curl -fsSL https://jianmiao.yanxai.com/sitemap.xml

看日志:

▼
text
复制代码
docker compose logs frontend --tail=100 docker compose logs backend --tail=200 docker compose logs puppeteer --tail=100

十三、AI 应用必须做的 smoke test

上线不是首页能打开就算成功。AI 应用至少要完整跑一遍主链路:

▼
text
复制代码
1. 注册 / 登录 2. 创建简历 3. 保存版本 4. 粘贴真实 JD 5. 跑目标岗位分析 6. 跑岗位竞争力诊断 7. 生成投递文案 8. 导出 PDF 9. 打开 PDF,确认第一页非空、样式和预览一致 10. 创建分享链接

具体验证可以看我上一篇文章跑了一次完整的AI核心链路: blog

对应要记录:

▼
text
复制代码
resumeId versionId jobSessionId scoreId pdf taskId AI provider PDF 文件大小 失败日志

十四、GitHub 登录怎么配置

GitHub 后台路径:

▼
text
复制代码
GitHub → Settings → Developer settings → OAuth Apps → New OAuth App

填写:

▼
text
复制代码
Application name: 简喵 JianMiao Homepage URL: https://jianmiao.yanxai.com Authorization callback URL: https://jianmiao.yanxai.com/api/v1/auth/github/callback

GitHub 官方文档说明,OAuth App 需要填写 Homepage URL 和 Authorization callback URL,而且 OAuth App 只能有一个 callback URL。

拿到 Client ID / Client Secret 后,只写到服务器 .env:

▼
text
复制代码
GITHUB_CLIENT_ID=你的 Client ID GITHUB_CLIENT_SECRET=你的 Client Secret GITHUB_REDIRECT_URI=https://jianmiao.yanxai.com/api/v1/auth/github/callback

重启后端:

▼
text
复制代码
docker compose up -d backend docker compose logs backend --tail=100

GitHub 登录不消耗你的 AI API。它只走 GitHub OAuth 授权,不调用 DeepSeek / 智谱。

验证GitHub登录如下:

image.png

十五、PDF 导出要重点排查

PDF 是简喵的核心链路,最容易出问题。

检查 Puppeteer:

▼
text
复制代码
docker compose logs puppeteer --tail=200

检查后端 PDF 任务:

▼
text
复制代码
docker compose logs backend --tail=300 | grep -i pdf

常见问题:

▼
text
复制代码
1. APP_BASE_URL 配错 2. PDF_PREVIEW_BASE_URL 配错 3. Puppeteer 访问不到 frontend 容器 4. preview token 失效 5. 字体缺失,中文变乱码 6. 富文本样式被 sanitizer 或导出 CSS 丢掉 7. 简历预览两页,但 PDF 被压成一页

简喵的原则是:

▼
text
复制代码
编辑器预览是什么样 导出前预览就是什么样 最终 PDF 就应该是什么样

如果三者不一致,优先查 preview route、导出 CSS、分页容器和 Puppeteer 日志。

用WPS Office打开导出的PDF简历进行预览如下:

image.png 所有样式均与预览一致

十六、AI 服务要做限流

AI 应用上线后,最怕两件事:

▼
text
复制代码
1. 被刷接口,费用爆炸 2. 模型超时,用户一直等

建议配置:

▼
text
复制代码
AI_TASK_WORKER_COUNT=1 AI_TASK_GLOBAL_ACTIVE_LIMIT=6 ASYNC_TASK_QUEUE_LIMIT=50 PDF_TASK_QUEUE_LIMIT=10 PDF_TASK_USER_DAILY_LIMIT=20 PDF_TASK_IP_DAILY_LIMIT=50

小机器先保守一点,不要一上来开太高并发。

十七、上传文件和头像怎么处理

首版可以用本机 Docker volume:

▼
text
复制代码
uploads_data: 用户头像、上传文件 exports_data: PDF 导出文件

头像上传必须做:

▼
text
复制代码
限制大小 校验 Content-Type 校验 magic bytes 拒绝 SVG / HTML 伪装 重新编码成 JPG 随机文件名

如果以后用户变多,再迁移 OSS:

▼
text
复制代码
阿里云 OSS 私有 bucket 后端代理上传 RAM 最小权限 前端不暴露 AK/SK CSP 和 Puppeteer 白名单加入 OSS 域名

首版不要同时引入腾讯云 COS、阿里云 OSS、Cloudflare R2,复杂度会爆。

十八、备份

数据库备份:

▼
text
复制代码
cd /opt/AIResume set -a . ./.env set +a mkdir -p backups/mysql docker compose exec -T mysql sh -lc \ 'MYSQL_PWD="$MYSQL_ROOT_PASSWORD" mysqldump -uroot --single-transaction airesume' \ | gzip \ | openssl enc -aes-256-cbc -salt -pbkdf2 \ -pass env:BACKUP_ENCRYPTION_PASSPHRASE \ -out backups/mysql/airesume-$(date +%F).sql.gz.enc

上传目录备份:

▼
text
复制代码
mkdir -p backups/uploads docker run --rm \ -v airesume_uploads_data:/data:ro \ -v $(pwd)/backups/uploads:/backup \ alpine sh -lc \ 'tar -czf /backup/uploads-$(date +%F).tar.gz -C /data .'

备份不是做完就算,必须至少恢复演练一次。

十九、常见故障排查

1. docker compose ps 提示 no configuration file

说明你不在项目目录。

▼
text
复制代码
cd /opt/AIResume docker compose ps

2. 前端 502

通常是 backend 不健康。

▼
text
复制代码
docker compose ps docker compose logs backend --tail=200

3. 后端连不上 MySQL

检查:

▼
text
复制代码
docker compose ps mysql docker compose logs mysql --tail=100 docker compose logs backend --tail=200

常见原因:

▼
text
复制代码
MySQL 没 healthy .env 密码不一致 数据库 volume 初始化异常 Flyway 迁移失败

4. GitHub 登录失败

检查:

▼
text
复制代码
GitHub OAuth callback URL 是否完全一致 .env 的 GITHUB_CLIENT_ID / SECRET 是否填了 GITHUB_REDIRECT_URI 是否是 https://jianmiao.yanxai.com/api/v1/auth/github/callback Cloudflare 是否没有拦 callback 后端日志是否有 40301 / OAuth error

5. PDF 导出失败

检查:

▼
text
复制代码
docker compose logs backend --tail=300 | grep -i pdf docker compose logs puppeteer --tail=300

重点看:

▼
text
复制代码
taskId preview URL Puppeteer allowed host 页面 ready 超时 PDF 文件是否生成 PDF 文件大小是否为 0

二十、回滚

如果刚部署的新版本有问题:

▼
text
复制代码
cd /opt/AIResume git log --oneline -5 git checkout <上一个可用 commit> docker compose up -d --build backend frontend puppeteer docker compose ps

原则:

▼
text
复制代码
代码可以回滚 数据库迁移不要随便回滚 Flyway 已执行的迁移要优先前向修复

所以数据库变更必须非常谨慎。

二十一、上线 checklist

上线前至少确认:

▼
text
复制代码
[ ] ECS 安全组只开放 80 / 443 / 固定 IP 的 SSH [ ] MySQL / Redis / backend / Puppeteer 不暴露公网 [ ] .env 只在服务器本地,权限 600 [ ] Cloudflare SSL 是 Full strict [ ] docker compose config --quiet 通过 [ ] 所有容器 healthy [ ] 注册 / 登录正常 [ ] GitHub 登录正常 [ ] 简历保存正常 [ ] JD 诊断正常 [ ] 岗位竞争力诊断正常 [ ] 投递文案正常 [ ] PDF 导出正常 [ ] 分享链接正常 [ ] robots.txt / sitemap.xml 正常 [ ] 数据库和上传目录有加密备份

结语

AI 应用工程化的关键,不是把 Demo 包装成产品,而是让系统在真实环境里可用、可查、可恢复、可保护,并且能持续迭代。真正麻烦的是:

▼
text
复制代码
AI key 不能泄露 用户数据不能乱传 PDF 不能失败 模型超时要兜底 移动端要能用 数据库要能恢复 服务器不能裸奔

简喵这类项目最适合的首版部署方式不是复杂的 K8s,而是:

▼
text
复制代码
ECS + Docker Compose + Cloudflare + 严格安全组 + 明确备份 + 完整 smoke test

先把一条真实用户链路跑稳,再考虑扩容、对象存储、CDN、队列和更多自动化运维。

参考官方文档:

  • Docker Compose 生产部署文档
  • Docker 多阶段构建文档
  • Cloudflare Full strict SSL 文档
  • Cloudflare DNS Proxy 文档
  • 阿里云 ECS 安全组实践
  • GitHub OAuth App 文档

以上就是我这次把简喵从本地部署到公网可访问的完整记录。后面我会继续补充限流、日志、降级、缓存、审计和成本控制这些 AI 应用上线后的工程细节。 我是Ryan,技术博客:yanxai.com,关注可信 AI 应用工程。简喵是我把这个方向落到真实产品里的一个项目:不只追求 AI 生成结果看起来漂亮,更关注它有没有证据、能不能追溯、上线后能不能稳定运行。

AI
求职
6
11
分享
操作

相关专栏

GitHub原创项目

GitHub原创项目

本专栏记录我的原创项目从想法、设计、开发、上线到复盘的完整过程,重点包括 AI 应用开发、开源工具、后端工程、产品定位、技术选型、架构设计、部署上线和项目复盘。 这里不会只展示项目结果,而是拆解每个项目背后的真实取舍:为什么做、解决什么问题、用了哪些技术、遇到哪些坑、如何优化,以及这个项目如何沉淀为 GitHub 作品集和求职工程证据。

评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2530
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
420
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
9
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
10
什么是LLM
300
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题