综合练习

把本 track 串成 可演示的原型：站内课程问答（RAG）+ 可选 Agent 工具 + 安全与评测清单。目标不是完美产品，而是 可审查、可度量、责任清晰——技术练完回到 ai-engineer 路线图 勾选节点；团队规范仍遵循 ai-engineering-essentials。

学习目标

• 独立完成最小 RAG 或 RAG+Agent 原型
• 对照 aen-intro 至 aen-deploy 自检
• 产出安全清单与 5 条 golden 评测用例

任务说明（二选一）

A. RAG 问答原型（推荐）

为 一门 track（如 ai-engineer-advanced-essentials）实现：

1. 分块 + metadata（slug, heading_path, published）
2. 向量检索 top_k + grounded prompt
3. 回答带 /tracks/... 或 /roadmaps/... 引用
4. 无命中时拒答，不编造链接

可用 Python 伪代码 + 本地 FAISS/Qdrant；不必上生产。

B. Agent 增强（进阶）

在 A 基础上加：

• search_docs function calling 或 MCP tool 封装
• max_steps=8 与 escalate 逻辑
• 日志：每步 tool 名、latency、token

必交产物

1. README：架构图 + 如何本地跑
2. safety-checklist.md：数据红线、注入防御、工具 allowlist
3. eval-cases.json：≥5 条 query + 期望行为
4. （可选）MCP Server 草图：tools vs resources 列表

禁止：把 API key 提交 git；用未审核 draft 对用户开放检索。

推荐流程

git checkout -b practice/aen-你的名字
→ 读 outline.yaml 与 2–3 节 draft 作 corpus
→ 实现 index + query
→ 写 5 条 eval，跑一遍记录结果
→ 对照 aen-safety 补 checklist
→ commit（message 注明 AI-assisted 部分）

与 git-essentials 分支纪律一致；若有 Java 集成层，测试见 testing-essentials。

自检清单

• 我能解释 检索 → 生成 数据流与 token 预算
• checklist 覆盖 密钥、PII、draft 过滤、注入边界
• eval 含 1 条应拒答、1 条对抗注入
• 交叉链接 ai-engineering-essentials 团队红线至少一处