引子:一个非典型全栈故事先放一组数据:项目名:monitoring(内部代号)代码量:183 个 TS/TSX 源文件、~2 万行业务代码、跨 4 个 package 的 monorepo提交数:198 个 commit,横跨 feature / fix / chore / refactor / perf 五大类型核心模块:Agent 监控、知识库检索、日志聚合、服务总览、告警面板、Workspace 切换数据后端:Loki Prometheus Thanos Dify RAG CAS,六套异构系统的统一封装CI/CD:GitLab CI → Docker Buildx(amd64)→ 内部镜像仓库 → TKE 自动部署 → Nginx 反向代理 /api 同源作者本人写的代码:0 行这是 2026 年 7 月耗时2周时间,我用peaks-loop(一套 AI Agent 全流程开发方法论)从 0 到 1 完整交付的内部可观测性平台。这篇文章不是炫技,而是把整个交付过程的技术选型、踩坑记录、架构决策,以及「为什么最终 0 手写代码还能交付生产级系统」这件事,完整复盘出来。如果你也在评估「AI 能否交付生产级代码」「如何让 Agent 不只写 demo,还能跑完整工程链路」,这篇文章应该会有点用。一、为什么选择 peaks-loop1.1 背景:为什么这次必须用 AI 写我们公司内部一直在跑一套 AI Agent 平台 —— 智能体托管、知识库、RAG 检索、监控告警,但监控这一层是空白。原本指望开源方案(Grafana Promtail 自研面板)能撑半年,实际跑了两个月就发现:现有 Grafana 看板只覆盖 K8s 基础设施层,完全不感知业务侧(Loki 里 logql 写到怀疑人生)自研面板只展示指标,看不到 agent 单次请求的链路智能体数量上 50 个后,跨工作空间(workspace)的资源隔离、token 计费、错误归因全靠人工捞日志真实诉求:一个能跨数据源聚合、按业务维度切片、覆盖「基础设施 智能体 知识库 用户操作日志」的可观测性平台。按照传统估算,这至少需要:1 个前端 1 个后端 1 个 SRE,合作 2-3 个月期间还要处理 Dify / RAG / CAS 各家 API 兼容问题、CAS 鉴权嵌套会话、跨域反代、K8s 灰度发布 ……资源紧张,deadline 不允许。这时 peaks-loop 进入了我的视野。1.2 什么是 peaks-looppeaks-loop 是一套多 Agent 协作 全流程可追溯的开发方法论,核心思想是:阶段角色产出PRDpeaks-prd自然语言需求 → 结构化产品需求RDpeaks-rd蜂群PRD → 切片 → 实现 → 代码QApeaks-qaRD 产物 → 测试用例 验收报告UIpeaks-ui设计 token 组件 shadcn 包装SCpeaks-sc(secrets/config)环境变量、密钥、部署清单TXTpeaks-txt(text/translate)文档 / 翻译 / 注释Editpeaks-edit代码 review 重构Finalpeaks-final-review发布前最后一轮审计Sedimentpeaks-memory extract把约定 / 教训沉淀到 .peaks/memory最重要的是Karpathy 守门员(karpathy-reviewer)在每个 RD 阶段做 4 条硬约束检查:Think Before Coding / Simplicity First / Surgical Changes / Goal-Driven Execution。任何一条不通过就回炉。简单说:peaks-loop 不只是「让 AI 写代码」,而是把整个软件交付流程拆成可独立验证的子环节,每个环节都有 reviewer / auditor 兜底。这才是它和「让 ChatGPT 写个 CRUD demo」的本质区别。1.3 为什么我敢把生产系统全压上三个判断标准:可追溯— 每个 commit 能精确指回 PRD 章节、RD 切片、QA 用例、UI 设计稿。这是审计合规的底线。可回滚— peaks-loop 强制走 git worktree 分阶段提交,任何一处 regression 都能 5 分钟回滚。可解释— 代码旁边永远挂着「为什么这么写」的记忆文件(.peaks/memory/),新人接手不用从 0 读代码。满足这三点,我就敢签下交付责任。二、架构选型:不是 AI 选的,是我定的这里要先澄清一个误区:用 peaks-loop 不代表 AI 替你做架构决策。架构选型必须由人主导,AI 只能填实现。最终落地的技术栈:2.1 前端 — apps/webReact 18 Vite 5 TypeScript 5.4 路由:TanStack Router (1.78,file-based) 数据:TanStack Query (5.x) axios UI 体系:Radix UI primitives 自封装 shadcn 包装 图表:Recharts 2.15 动效:GSAP 3.15(总览 hero 区) 样式:Tailwind 3.4 tailwind-merge 辅助:zod / es-toolkit / date-fns / lucide-react / sonner / clsx / cva核心决策记录:不选 Next.js:这是内部系统,SEO 不重要;SSR 反而让 CI 镜像从 200MB 涨到 400MB。Vite SPA 足够。不选 Material UI / Ant Design:定制空间太小。Radix UI 提供无样式可访问性 primitive,我们在它上面包一层 shadcn 风格组件,既保持可访问性又能 100% 控制视觉。必须 TanStack Router:文件路由 类型安全 loader 模式,比 React Router v6 更适合「schema 驱动」的页面。必须 Recharts:不是为了酷,而是它在 shadcn 生态里有现成 theme provider 模式(我们封装了chart-theme-provider.tsx)。换 ECharts 会破坏整套主题体系。2.2 后端 — apps/apiNestJS 10.4 Express session TypeScript 5.4 依赖注入:nestjs/core 原生 DI 校验:zod 4.x(注意:不是 class-validator,跨端 schema 共享) HTTP:axios 1.7(上游 Loki/Prometheus/Thanos/Dify/RAG) Session:express-session cookie-parser Redis(ioredis) 配置:nestjs/config chokidar(热重载 yaml) 文档:nestjs/swagger swagger-ui-express 序列化:class-transformer 辅助:fast-xml-parser / js-yaml / reflect-metadata核心决策记录:NestJS 而不是 Fastify/Hono:内部系统 80% 时间花在写 controller / service / module 这层「企业级脚手架」。NestJS 把这套脚手架规范化,AI 生成代码的契合度比 Fastify 高一个数量级。不用 ORM:监控数据全部走 HTTP 上游 PromQL/LogQL,不落库。唯一持久化是 Redis session 几份 yaml 配置。zod 而不是 class-validator:监控前端要复用后端 schema(zod-to-typescript 生成类型),class-validator 不行。多数据源 多 module:loki / prometheus / thanos / dify / rag / cas 每个一个 NestJS module,通过 SourceRegistry 统一注册(关键模式:sourcesRegistry-single-mutation-point-for-datasource-state)。2.3 Monorepo 编排pnpm 10.28 workspaces turbo 2.3 TS project references tsconfig.base.json 共享包:packages/shared(给 web api 复用的类型 / 常量 / 工具) Docker:Dockerfile.api Dockerfile.web(分阶段构建,node 20-alpine) 反向代理:apps/web 内置 nginx 把 /api/* 反代到 monitoring-api:3000(同源)为什么不拆仓库:内部系统 4 个 package 互相 import 频繁,跨仓库调试是地狱。pnpm workspaces turbo 完全够用。三、0 手写代码怎么做到接下来是大家最关心的部分。3.1 工作流:从一句话到生产部署我用 peaks-loop 跑这个项目的完整链路是:PRD 输入(中文自然语言,约 600 字) ↓ peaks-prd 结构化 PRD(20 个 feature slice,每个带验收标准) ↓ peaks-slice-decompose 切片清单(每个 slice 一个 PR,独立可合并) ↓ peaks-rd 蜂群(prd → rd → ui → sc → txt → edit) 每个 PR 含:代码 测试 UI 组件 配置 文档 ↓ peaks-qa QA 验收报告(test cases e2e perf baseline) ↓ peaks-final-review 最终放行(Karpathy security perf code review 4 重门) ↓ GitLab CI → Docker Buildx → TKE 生产部署 ↓ peaks-memory extract 所有约定 / 教训沉淀到 .peaks/memory整个过程我没写过 1 行业务代码。我能确认这一点是因为:我对每个 PR 的 MR 描述是「读懂这次改了什么」而不是「写这次改了啥」我对 git log 的反应是「哦这个 fix 是这个 issue」而不是「我刚改的」我对每个新模块的入门方式是「问 peaks-memory 它是怎么设计的」而不是「我自己翻代码找」3.2 PRD 是怎么写的举一个具体例子:「服务监控总览页」(对应overview.services.iddepends_on: [F-AUTH-01, F-DS-LOKI-01, F-DS-PROM-01]non_functional:perf_budget: 3s SLAa11y: WCAG 2.2 AAdata_sources:- thanos (CPU / mem / net)- prometheus (QPS / P99)- otel collector (calls_total fallback)整个 PRD ~20 个 feature slice 都按这个粒度写。然后 peaks-slice-decompose 把它们排成 6 周的实施计划,每个 PR 一个 slice,3-5 天一个 PR。3.3 RD 阶段发生了什么peaks-rd 不是「一个 AI 一把梭」,而是 5 个 sub-agent 并行 / 串行的蜂群:1. code-architect — 设计模块接口、数据流、build order 2. code-explorer — 摸清现有 codebase patterns、import 关系、convention 3. code-reviewer — 评审生成代码(简单 / 安全 / 复用 / altitude) 4. karpathy-reviewer — 4 红线检查(必须 4/4 通过才能进 qa-handoff) 5. security-reviewer — OWASP Top 10 内部 secrets 检查举一个真实案例:「agents 页面 statsQ 必须等 appsQ」(对应monitoring-agents-statsq-waits-for-appsq.md)。最初版本的 agents 页面是这么写的:// ❌ 错误示范 — AI 第一版生成 const appsQ useQuery({ queryKey: [apps], queryFn: fetchApps }); const statsQ useQuery({ queryKey: [stats], queryFn: fetchStats }); // statsQ 立刻发请求,不依赖 appsQ 是否完成跑起来发现:stats 接口需要根据 apps 接口的 workspace 状态选 Dify 调用路径,但 statsQ 早早发出去后,Dify 那边 workspace 还没切,返回 0 apps → 后端拿不到 apps → 拿不到正确 stats → 整个面板 zeroResponse。peaks-rd 蜂群的修复路径:code-explorer 摸清:appsQ 是 useQuery 默认配置,fetchApps 是 asynccode-architect 提议:statsQ 改成「等 appsQ 完 没在 refetch」才发code-reviewer 复用现有模式:已经在 workspace 切换逻辑里用过类似依赖karpathy-reviewer 检查:4 红线全过(Simplicity First ✓、Surgical Changes ✓、Goal-Driven Execution ✓)写入.peaks/memory/monitoring-agents-statsq-watts-for-appsq.md,这条经验被永久记录最终修复代码:// ✅ peaks-rd 修复版 const appsQ useQuery({ queryKey: [apps], queryFn: fetchApps }); const statsQ useQuery({ queryKey: [stats, appsQ.data], queryFn: () fetchStats(appsQ.data), enabled: !!appsQ.data !appsQ.isFetching, });这条经验后来在新加的「RAG 知识库 KPI」页直接复用 —这就是 peaks-memory extract 的价值。3.4 一些被永久记录的关键记忆跑完这个项目,.peaks/memory/沉淀了 30 条记忆,挑几条对后来人最有用的:记忆解决的问题monitoring-cas-actual-port-8080平台的 CAS 真实端口是 8080,8088 是 Dify webapp 别误用monitoring-frontend-no-direct-upstreamapps/web 禁止直连上游,所有数据走 :3001 后端monitoring-rag-base-url-rag-funcRAG 反代 URL 必须是 rag-func 域名,别用 IP 直连monitoring-web-nav-chinese-labelssidebar 中文标签要跟 nav 配置一致,改一处全改monitoring-business-api-promise-allsettled-pattern业务 API 多源聚合用Promise.allSettled,失败不阻断monitoring-overview-api-wire-contract总览 API 字段命名规范(下划线 ↔ 驼峰约定)monitoring-3s-sla-baseline-action-plan资源聚合页 3s SLA 调优路径(warmup → 聚合 endpoint)monitoring-effective-role-min-sortorder多角色权限用 min(sortOrder) 取最小有效角色这些不是文档,是codified muscle memory。下一个新模块加进来,直接 read 这些 memory 就知道「哦这个坑别人踩过,这么绕过去」。四、最难啃的几块骨头4.1 跨工作空间(workspace)权限Dify 的/console/api/workspaces/current必须在 header 携带 workspace id,否则一律 503。但我们的 RBAC 是基于 CAS 拿 role 排序后取最小 sortOrder 决定可见 workspace。最终方案:前端 → 后端取 (user, roles[]) → 后端按 sortOrder 升序取第一个 role → 调 CAS 拿 workspace token → 用这个 token 调 Dify /workspaces/switch → Dify 才返回正确 workspace 的 apps / agents这条流程跑了 3 个 PR 才稳定,中间被 Dify 那边的 503 坑了好几次(monitoring-dify-8081-workspace-endpoint-503这条记忆就是那段时间写的)。4.2 PromQL / LogQL 多源聚合总览页要同时查:Thanos(系统指标)Prometheus(应用指标 OTel calls)Loki(日志)Dify(智能体维度)RAG(知识库维度)CAS(用户行为)每个数据源有自己的 query language、自己的 rate 函数、自己错误码语义。最初我们做成「每个数据源一个 REST endpoint」,前端 N1 query,首屏 8 秒。最终方案(对应monitoring-3s-sla-baseline-action-plan):后端聚合层增加/overview/resources/overview/services等聚合 endpoint,内部Promise.allSettled拉所有上游单个上游失败不阻断整体,前端用 partial state 渲染Redis 缓存 TTL 5s,前端 TanStack Query stale time 4sCI 阶段加perf_baseline_review门禁,任何接口 3s 自动 fail调优后:services 首屏 3.1s → 30ms(103 倍提升),resources 1h 5.4s → 89ms(60 倍提升)。4.3 OTel calls_total fallback最离谱的一个坑:Dify 的 OTel HTTP counter 只有exported_job级别,service_tenant_id全集群只有 1 个值(对应monitoring-dify-otel-no-per-app-label)。意思就是:aggregate 和 single 实际拿的是同一份数。peaks-rd 的处理:后端明确知道这俩数一样,不在前端做差异化尝试前端聚合面板用 otel_calls_total 兜底(对比monitoring-overview-resources-rag-otel-calls-fallback-landed)稀疏错误也能命中(对比monitoring-agent-kpis-fallback-must-use-1h-increase)这条经验对未来类似项目极有用:AI 帮你拆穿「这个开源组件的功能描述」,告诉你哪些标签其实没注入、哪些数据永远拿不到。4.4 shadcn 化的代价我们强制要求apps/web严禁任何裸 DOM input/select/checkbox(对比monitoring-web-ui-shadcn-only-no-native-dom)。理由:统一 a11y统一主题系统(theme-provider 三态:light / dark / system)统一键盘交互(Radix primitive 已经处理)代价是每个表单字段都要装 radix primitive 自己包一层 shadcn wrapper。前期慢,但后面做主题切换、做无障碍审查、做 design system 全都免费。4.5 CI/CD 那点事我们的 CI 经历过 4-5 次大改:第一版:GitLab CI shell executor → docker buildx 多架构 → 内部 registry第二版:加缓存层(BuildKit layer cache) → install 改 npmmirror第三版:加 deploy 阶段(HTTP hook 触发 monitoring-func) → 端到端 tag → TKE第四版:拆分 buildx cache tags 与 image tags → 只推 :TAG-amd64 不推 :TAG root tag第五版(当前):web 内置 nginx 把 /api 反代到 monitoring-api:3000,完全同源每一步都被 peaks-final-review 卡了至少一轮 —— 这是好事。AI 写的 CI 不一定对,reviewer 一定要兜底。五、踩坑清单(给后来人)如果你也想用 peaks-loop 跑类似项目,这份 checklist 应该能省你 2-3 周:5.1 必须做的架构选型必须人定。AI 适合填实现,不适合选型;选型错了全盘皆输每个 PR 一个 feature slice。别 AI 一口气给你写 50 个文件Karpathy 4 红线是底线。任何一条不通过就回炉,不要心软每个 PR 都要沉淀 memory。哪怕是「这个文件不要用 lodash」这种小事CI 要有 perf baseline 门禁。否则 AI 写的代码可能 T O(n²),跑 8 秒你才发现测试覆盖度 ≥ 60%。我们对纯逻辑 module 要求 80%,对 UI component 要求 40%环境变量走 yaml dotenv,不在代码里写。CAS / Dify / RAG 各家 URL 必须 env 注入5.2 不要做的不要让 AI 选框架。它会给你最新最酷的,但不一定是生产稳定不要把测试交给 AI 一把梭。AI 写的测试经常是「为了覆盖率」而不是「为了抓 bug」不要忽略 a11y。Radix UI 已经处理 80%,剩下 20% 你自己 review不要把 secrets 写进 git。即使 .gitignore 也要 peaks-sc 单独跑一遍扫描不要在 monorepo 里跨 package 引用 dist/。只引 src/,走 TS project references5.3 文化层面每周 1 次 peaks-memory extract:把这一周发现的约定 / 教训沉淀进去每月 1 次 peaks-memory audit:清理过期记忆,合并相似记忆每个新模块都要先看 memory:不是先看代码PRD / RD / QA 三方互相 challenge:不是 AI 单方面输出六、数据:这套方法论真的能 scale 吗回答:能,但有前提。6.1 数字层面指标数值总提交数198业务 PR 数60平均 PR review 轮数2.4平均 PR cycle time3.2 天线上事故数0 P0,2 P3(均为配置类)测试覆盖率核心 module 78%,UI 38%文档完整度.peaks/memory 30 条,CLAUDE.md PROJECT.md 同步6.2 隐性收益新人入职 1 天就能上手:只需要读.peaks/memory/关键 10 条 PRD 摘要跨模块改动 0 恐惧感:karpathy-reviewer 兜底,surgical changes 强约束AI 工具替代率 100%:我已经 6 个月没自己写过业务代码了(只写 review 反馈)6.3 局限性架构选型仍需人主导。AI 适合填实现,不适合选型跨域业务知识需要人提供。例如 Dify 的 503 行为,AI 必须从你给的 memory 里读复杂 UI 设计仍需人。我们用 Figma 出设计稿,AI 照着填运维 / 故障定位 / oncall仍需人。AI 生成的监控面板能呈现,但解读仍需 SRE七、写在最后:0 手写 ≠ 0 思考最后想分享一个不那么酷但很重要的观点:0 手写代码不代表 0 思考。整个项目交付过程中,我花在「想清楚要什么」上的时间,比传统开发还多。具体体现在:PRD 阶段:每个 feature slice 我都要写清楚 acceptance criteria、non-functional 需求、depends_on 关系Review 阶段:每轮 PR 我都要读 diff、判断、改 spec,这部分时间比写代码多Architecture 阶段:每个技术选型我都要调研、写 ADR、跟 AI 讨论边界Sediment 阶段:每条 memory 我都要写清楚「为什么这么选」「踩了什么坑」「下次怎么避免」AI 把「实现」变成了廉价品,但「思考」反而变成了奢侈品。这是我用 peaks-loop 跑完整项目后最大的认知转变。生产级软件从来不是「写代码快」就赢,而是「想清楚要什么 让代码诚实地表达那个意图」才赢。AI 帮我们把后者变得可规模化,这是真正的杠杆。如果你也对「用 AI 做生产级全栈」感兴趣,欢迎一起交流。peaks-loop 这套方法论我打算开源(等我把 doc 写完),敬请期待。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】