把 AI 技术调研做成可审查的工程材料
文章建议先写任务简报,明确调研范围、约束、信源优先级和输出结构,再在执行中安排中间审查,把结果保存为可追溯的文件。文中用分布式缓存选型说明这套流程如何支持 RFC 和工程提案。
AI 深度解读
让 AI 比较分布式缓存,几秒就能收到一份优缺点清单。可一旦要把结论写进架构提案,你还得追问延迟数字从哪来、测试环境是否可比、推荐方案能不能部署。原文主张把 AI 调研拆成一套可审查的流程,先定任务和证据规则,中途校对,最后交付可追溯的文件。
如果你要用 AI 做技术选型,最值得借鉴的是把人工检查放到结论形成之前。候选范围一开始就理解错了,等报告写完才发现,后面查到的资料越多,返工越大。
任务说明先写清楚什么算完成
作者用分布式缓存选型举例。只问「微服务该用哪种缓存」,模型可以列出一堆通用优缺点,却无法知道你关心的是亚毫秒级读取延迟,也无法自行判断托管服务是否在候选范围内。一份结构化任务说明会把目标、读者、环境、资料取舍和交付格式一起定下来。
下面这份 YAML 把缓存选型限定在自建 Kubernetes 的多可用区部署环境里,并规定了报告要回答的问题。
task_brief:
objective: "Evaluate distributed cache engines for sub-millisecond read latency"
target_audience: "Backend Architecture Review Committee"
scope:
included: ["Redis Cluster", "KeyDB", "Dragonfly"]
excluded: ["Managed cloud-only caches (AWS ElastiCache, MemoryDB)"]
environment: "Kubernetes on-premise, multi-AZ deployment"
evidence_rules:
primary_sources: ["Official documentation", "Peer-reviewed benchmarks"]
forbidden_sources: ["Anonymous forum threads", "Undated blog posts"]
deliverable:
format: "Markdown technical report"
sections:
- "Architecture Summary"
- "Protocol Compatibility Matrix"
- "Failure Mode Analysis"
- "Concrete Recommendation"
留意 excluded 这一行。它提前排除了 AWS ElastiCache 和 MemoryDB 这类仅提供托管服务的候选,模型就能把篇幅用在真正需要评审的方案上。evidence_rules 也划清了证据边界,优先采用官方文档和同行评审的基准测试,排除匿名论坛帖和无日期博客。
先审候选资料,再审结论
作者把执行拆成四步,依次是拆解课题、检索一手资料、交叉核验、综合结论。比如在资料检索结束时,先确认候选项目和关键文档是否齐全,再让模型填对比表。原文拿腾讯 WorkBuddy 举例,说明自动规划可以和分阶段人工审核配合,候选链接、知识库查询结果和草稿都可以作为检查对象。
拿到官方材料后,还要看主张能否被独立来源支持。官方文档适合查协议兼容范围,厂商给出的跑分则要连着测试条件一起读。两份报告的吞吐量或内存占用对不上时,作者建议保留原始数字、记录分歧,并标注各自的测试条件。假如一份跑的是单节点,另一份跑的是多可用区集群,把数字取平均会让评审人失去判断两组结果是否可比的依据。
报告进仓库前,人工还要查什么
作者建议把调研写成 Markdown 或办公文档,方便共享,也方便在团队仓库里做版本管理。把已核实的事实和推荐意见分别写清楚,指标放进对比表,适合复现的结论附上步骤或命令。之后有人质疑一条建议,可以沿着报告找到原始依据,也能看清哪一步加入了团队自己的判断。
报告进入架构决策记录(ADR)或提交管理层之前,人工终审要逐项看数字和许可要求能否追溯、前后说法是否矛盾、建议是否符合现有基础设施与团队能力,以及表格里有无截断值或占位符。涉及内部架构、仓库名称和合规要求时,原文还要求传输使用 TLS、静态存储使用 AES-256 加密,通过基于角色的访问控制(RBAC)管理查看、编辑和导出权限,并记录工具操作、查询历史及文件生成事件。
我的判断
这套流程最有用的地方,是让人能在返工成本还低的时候纠偏。比起只把提示词写得更长,分阶段审查多了一次核对实际材料的机会。代价也很具体,每多设一个审核点,就得有人看得懂中间产物,并有时间给反馈。日常查一个库的兼容性,直接核对官方文档通常就够了。牵涉采购、迁移或故障恢复的选型,才更值得把证据和分歧完整留下来。
文章提供了一份任务说明样例和一套评审方法。WorkBuddy 是流程示例,原文没有给出实测结果,也没有对比单次问答与分阶段执行的准确率、耗时或返工量。作者认为调研失败通常源于流程而非模型能力,这是经验判断。审计日志也只解决「做过哪些操作」的问题。要把报告里某个延迟数字追到对应来源,仍得在报告中写明数字出自哪份资料、适用于什么测试条件。
能拿来做什么
- 做前端构建工具或 Node 依赖选型时,先把现有运行环境、必需的兼容性和应排除的候选写进任务说明,再让 AI 收集资料。
- 让 AI 先交候选清单和证据出处,确认范围与资料版本后再写对比表。遇到跑分冲突就保留两组数字,并注明测试条件。
- 需要提交 RFC 或 ADR 时,把 Markdown 报告放进团队仓库。评审时抽查核心指标和许可要求能否追到原始材料,并确认推荐方案能在现有环境里落地。