知鸦日报2026-07-15

AI Native 能力成熟度模型（AINMM）借鉴CMMI，为存量工程转型提供渐进式框架。它定义五个等级与五大过程域，让团队定位自身AI能力短板，从“AI辅助”走向“全链路AI驱动”，实现可测量的效率跃迁。

规则可视化配置平台将散落的业务规则抽象为字段、组件和链路，支持可视化编排、测试验证、审批发布、灰度切流与快速回滚。运行时以SDK嵌入业务服务本地执行，通过热更新实现高效变更。平台降低了规则治理风险，提升了策略复用与变更效率。

AI驱动的安全闭环治理体系，通过AI安全白帽发现高价值漏洞，安全小助手自动推动修复、沟通与运营。事件驱动Agent实现自动修复，减少人工消耗。安全治理从“告知型”升级为“服务型”，让漏洞更快发现、更快闭环。

在RAG系统中，检索到的chunk常被直接喂给大模型，但其中大量内容其实无用，导致成本高昂。Kapa提出在Reranker与生成模型间加入轻量剪枝模型，基于五档评分筛选必要chunk。实验显示，可剪掉68%的chunk，保留96%召回率，查询成本降低约34%，但会增加约0.7秒延迟，更适合Agent场景。

Agent系统从“能跑”到“可信”，关键在于工程能力而非模型能力。Harness工程通过身份、编排、上下文、门禁、恢复、进化六大支柱，将模型能力约束在可控、可预测、可信任的框架内，让错误成为系统进化的燃料，而非重复踩坑的陷阱。

在线模板编辑器通过ACP协议连接本地CodeBuddy/Cursor，并用MCP暴露业务工具，让Agent安全修改模板状态。用户用自然语言描述需求，Agent理解模板、调用工具完成修改，保留原有预览和审核流程，提升效率。

Slack自研Shipyard平台，将EC2实例视为不可变部署工件。通过分层镜像、指标驱动部署、自动回收机制，实现快速、安全、可预测的基础设施更新，解决了传统长生命周期实例的配置漂移与协调难题。

生产级LLM系统的核心挑战在于评估噪声和迭代速度。通过四层架构解决：诊断评估噪声的双重不确定性、建立确定性评估缓存、使用微适配器实现快速安全修复、以及端到端集成验证。关键在于系统工程而非模型改进。

去哪儿旅行基于AI Agent构建SQL智能取数平台，解决传统取数流程中查数难、取数难、使用难的问题。通过拆分Agent模块、引入RAG知识库与意图识别机制，逐步提升SQL生成准确率至85%以上，大幅缩短取数周期，释放数据分析人力，实现零协作、零等待的智能查询体验。

小红书仅用一个月，从3人3天推出AI个人助理内测，到全员覆盖。核心是AI Native机制：快速验证、规模化。技术选型基于OpenClaw，通过物理隔离集群和NEX沙箱保障安全，用Self-GC和Auto模式优化成本，LLM Wiki增强记忆，Skill Hub构建生态。

这篇文章围绕数据研发的AI化，提出通过知识工程让AI“有据可依”，通过Harness Engineering让AI“稳定可控”。核心是以Multi-Agent工作流驱动NL2SQL提效，实现知识沉淀与自我迭代，最终让数研角色从“写代码”转向“做设计”。