Mulianju

从可观测性出发，把 LLM 成本治理落到可执行动作：token 预算、缓存命中、模型路由、降级策略与成本门禁，做到成本可控且不牺牲核心体验。

用最小成本搭建 LLM 应用可观测性：结构化日志、关键指标、链路追踪与回放包，让问题可定位、质量可回归、成本可治理。

回顾 AI 学习笔记四个阶段的核心能力，给出可执行的生产落地检查清单和 30 天推进节奏，帮助团队从 Demo 走向稳定上线。

结合 CI 流水线给出一套可落地的 RAG 评估自动化方案，覆盖基线快照、回归检测、告警阈值与发布门禁，帮助团队稳定迭代质量。

给出一套可落地的 RAG 评估与调优方法，从评测集构建、核心指标、失败归因到调优顺序，帮助团队持续提升检索命中和答案可信度。

从“本机可跑”走向“工程可用”，给出一套本地模型接入知识库与 RAG 的最小落地链路，覆盖文档切分、向量索引、检索编排、回退策略和可观测性。

从工程视角拆解本地模型与云模型的分工方式，讲清任务路由、成本结构、降级策略和一条可落地的协作架构。

把触发器、上下文装配、受控执行和结果回写收成一条可治理链路，用最小自动化模式把 AI 接进日常开发工具。

从 Host/Client/Server 到最小 Agent Loop：用一个可运行的 MCP Server 和受控工作流，把模型调用升级成可组合自动化。

在多 Provider 接入基础上继续工程化，构建可配置的路由与降级服务层，统一会话亲和性、冷却时间、重试边界与可观测性。