技术探索与生活感悟
把项目从前端先把 payload 准备好推进到服务端真的有一个 AI 工作流入口：结构化输出 schema、action->schema 映射、Edge Function scaffold、认证依赖平台能力、OpenAI 失败语义显式建模。
把前面准备的工作流状态、AI payload、Edge Function scaffold 接到一个真正的页面入口：Pinia store、/coach 路由、AI 教练页面骨架。核心教训——shell 阶段不要过早伪造业务结果。
把 /coach 路由、AICoach 页面 shell、aiCoach store 真正暴露到用户面前：首页入口卡片 + 全局导航 + 匿名路径设计。功能存在不等于可达，入口页也要尊重数据契约。
让 AI 计划真正进入主用户流程：推荐词合并、计划词与随机词严格分离、坏数据容忍、工作流 gate 前后一致、登出路径清理 AI 状态。这一步把 AI 教练从独立页面推进成真实驱动学习的状态机。
把 AI 能力接到学习完成之后的反馈闭环：buildAiQuizPayload、store 自守阶段边界、contextual quiz 叠加而非替换、run restart 清理衍生状态。AI 反馈是第二层增强，不是替代层。
把 1-8 步的 AI 工作流改造整理成可交付、可运行、可复现的项目闭环：前端与服务端环境变量边界、统一测试命令、README 补齐能力与验证状态。代码写完≠工程完成，阻塞也属于验证结果。
实现 LLM 学习工作流的第一块基础设施：用纯函数工具模块描述学习流程的状态推进规则。从 TDD 最小实现，到两轮代码评审修正，沉淀出状态机的三条核心经验。
把 LLM 学习工作流从只有内存状态推进到有数据库边界：三张表、RLS 策略、upsert 陷阱、append-only 历史、camelCase/snake_case 边界序列化。四轮评审收敛出可靠持久化层。
把前端页面里的状态整理成发给 AI 工作流层的标准请求体：buildDailyPlanPayload、buildReflectionPayload、统一 invoke 入口。以最小变更收紧 AI 请求协议，避免前后端长尾杂乱。
理解 LLM 与 AI Agent 的基础概念：Token、Context Window、Prompt、Completion、Sampling、Embedding、Tool Calling、Memory、Workflow，建立从模型到完整系统的工程认知。
掌握 Prompt 四要素、System/User Prompt 分层、CoT、Few-shot、任务分解、Prompt 注入防御，以及结构化输出的工程实践——从聊天工具到可编程接口的关键一步。
从确定性工程思维转向概率性AI思维，理解 LLM 的非确定性、幻觉和边界模糊，建立多层校验的工程防线。
基于 ppiais-qt 项目代码，系统拆解 DCPA/TCPA 计算、风险加权评分、警戒区判定与告警触发链路，回答“风险是如何被算出来并驱动界面的”。
记录我如何基于 ROS 2 Humble、ros_gz 和本地四旋翼模型，搭建一个可直接运行的无人机仿真场景，并整理出目录结构、关键文件说明、运行命令和踩坑记录。
记录我在 Ubuntu 22.04.5 上安装 Gazebo Fortress 和 ROS 2 Humble 集成包 ros_gz 的完整过程，并整理成一个可直接复用的一键安装脚本。
记录我在 Ubuntu 22.04.5 上安装 ROS 2 Humble 的完整过程，并整理成一个可直接复用的一键安装脚本。
这是我的第一篇博客文章，记录博客搭建的过程。