王健俊

关于

从数据系统到智能体,关注产品如何被使用、检查和持续改进。

中国 · UTC+8腾讯 · 后台开发深圳技术大学 · 数据科学

我是王健俊,关注数据系统和 AI 应用。我喜欢从具体的使用问题出发,把工具调用、记忆与交付过程拆成能检查、能回查的环节。

现于腾讯参与 Go 监控数据服务建设,关注采集背压、统计一致性与跨日计量;此前在快手参与设计 Agent 的评测与工具链建设。

做项目时,我会先把用户要完成的事讲清楚,再决定哪些步骤交给模型、哪些需要规则或人工确认。 LabMemory中的人工确认,以及共享记忆总线中的来源记录,都沿着这个思路展开。

从实践看能力

项目与能力的连接

点击查看案例
WJENGINEERING交付评测可信记忆MCP 基础设施多端产品检索与验证代码智能
项目中的具体实践

交付评测

围绕可编辑设计产物,分别验证交付有效性、证据完整性与需求符合度,再依据问题修复并回归。

Agent Delivery & EvalsFigma · Evidence · Regression阅读项目案例

工程哲学与系统设计原则

核心理念

业务价值与交付闭环

Business-First Delivery

AI 系统的最终评判标准不是生成内容的多寡,而是能否真正嵌入生产工作流、稳定降本增效,并经受住真实用户的严苛检验。

严格契约与工具治理

Strict Tool Contracts & Governance

智能体调用工具必须有严格的输入 schema 校验、结构化输出规范以及稳健的重试契约,杜绝幻觉扩散与级联崩溃。

三层联合可验证评测

Triple-Layer Verifiable Evals

不把单一的 HTTP 200 或非空文本作为验收依据。解耦产物有效性、运行证据完整性与业务需求符合度,建立多维评测闭环。

确定性复现与诊断线索

Obsessive Traceability & Regressions

完整冻结每次运行的输入上下文、决策轨迹、中间产物与错误快照,让偶发性问题能够精确定位、并在同一条件下回归验证。

能力地图

实践能力

AI Agent 系统

设计与构建能推理、检索、结构化编辑与行动的 Agent 系统。

  • MCP
  • Agent Evaluation
  • Agent Harness
  • LangGraph
  • Multi-Agent
  • Trace / Replay

检索与评测

建立可验证基准、混合检索与数据飞轮闭环。

  • RAG / Hybrid Retrieval
  • LLM-as-a-Judge
  • Context Engineering
  • Tree-sitter / AST
  • Agent Observability

工程与后端

交付高可用、并发稳定的生产级后端系统与工具链路。

  • Python
  • TypeScript
  • FastAPI
  • React / Node.js
  • Redis
  • asyncio
  • Docker
  • Git

业务与交付

把业务问题转化为已落地、可验证、可回归的生产级 Agent 能力。

  • PRD 驱动
  • Figma 结构化编辑
  • 数据飞轮
  • 业务落地

荣誉奖项与黑客松

荣誉成果