wiki-ingest Batch 8: Agentic AI design + LLM/RAG/Agent architecture + DevOps maturity guidelines

2026-04-16 05:35:52 +08:00
parent 8cfd66220e
commit 4a0a54e26b
7 changed files with 264 additions and 59 deletions
--- a/wiki/sources/Cloud-DevOp-Maturity-Guideline.md
+++ b/wiki/sources/Cloud-DevOp-Maturity-Guideline.md
@@ -1,52 +1,51 @@
 ---
 title: "Cloud DevOp Maturity - Guideline"
 type: source
-tags: [DevOps, Cloud, 运维, 成熟度]
-date: 2026-04-15
+tags: [devops, cloud, maturity-model, enterprise]
+date:
 ---

 ## Source File
 - [[raw/Cloud & DevOps/Cloud DevOp Maturity - Guideline.md]]

 ## Summary
- 核心主题：企业级 SaaS 公司云 DevOps 成熟度评估框架
- 问题域：DevOps 成熟度模型、DORA 指标、CMMI、治理与实践
- 方法/机制：四支柱模型（自动化、协作与文化、监控与可观测性、安全集成）
- 结论/价值：提供从初始阶段到高度优化的渐进式转型路径
+- 核心主题：企业级SaaS公司云DevOps成熟度评估框架
+- 问题域：如何系统化评估组织DevOps成熟度，识别改进路径
+- 方法/机制：基于CMMI和DORA指标的多维度成熟度模型
+- 结论/价值：DevOps是持续改进过程，即使成熟组织也需适应新技术新实践

 ## Key Claims
- DevOps 成熟度评估可降低 time-to-market、提升运营效率、增强产品可靠性
- DORA 四指标（部署频率、变更前置时间、变更失败率、平均恢复时间）是核心评估框架
- 自动化、协作、文化、监控与可观测性是 DevOps 成熟度四大支柱
- DevSecOps 将安全集成到 CI/CD 生命周期实现主动式漏洞管理
+- DevOps成熟度包含：自动化、研运协作、交付速度、可靠性四个维度
+- DORA四大指标：部署频率、变更前置时间、变更失败率、平均恢复时间（MTTR）
+- 成熟度四大支柱：自动化（CI/CD/IaC）、协作与文化、监控与可观测性、安全集成（DevSecOps）
+- 工具链核心组件：CI/CD、IaC（Terraform/Ansible）、容器化（Kubernetes/Docker）、监控（Prometheus/Grafana）
+- 达到DevOps成熟需要：进行成熟度评估→建立DevOps卓越中心→分阶段改进

 ## Key Quotes
-> "DevOps isn't just about tools or automation; it's a mindset shift that prioritizes collaboration, continuous learning, and customer-centricity."
+> "DevOps is a continuous improvement process, and even mature companies need to adapt to evolving technologies and practices."

 ## Key Concepts
- [[DORA指标]]：部署频率、变更前置时间、变更失败率、平均恢复时间
- [[CMMI]]：能力成熟度模型集成
- [[CI/CD Pipelines]]：自动化构建、测试、部署流水线
- [[Infrastructure as Code]]：以代码管理基础设施
- [[DevSecOps]]：安全集成的 DevOps
- [[Kaizen]]：持续改进
- [[Chaos Engineering]]：主动测试系统韧性
+- [[DevOps-Maturity]]：DevOps成熟度，组织在云DevOps实践上的发展阶段
+- [[DORA-Metrics]]：DevOps Research & Assessment四大指标——部署频率、变更前置时间、变更失败率、MTTR
+- [[CMMI]]：Capability Maturity Model Integration，能力成熟度模型集成
+- [[IaC]]：Infrastructure as Code，基础设施即代码
+- [[DevSecOps]]：将安全集成到DevOps生命周期的实践
+- [[CI-CD-Pipeline]]：持续集成/持续交付流水线
+- [[监控与可观测性]]：持续监控、日志、问题检测与快速解决能力
+- [[DevOps-CoE]]：DevOps Center of Excellence，卓越中心

 ## Key Entities
- [[Jenkins]]：CI/CD 工具
- [[GitLab]]：CI/CD 工具
- [[GitHub Actions]]：CI/CD 工具
- [[Terraform]]：IaC 工具
- [[AWS CloudFormation]]：IaC 工具
- [[Prometheus]]：监控与可观测性
- [[Grafana]]：监控与可观测性
- [[Datadog]]：监控与可观测性
+- [[Terraform]]：IaC工具
+- [[Ansible]]：IaC/配置管理工具
+- [[Kubernetes]]：容器编排平台
+- [[Docker]]：容器化平台
+- [[Prometheus]]：监控系统
+- [[Grafana]]：可观测性平台

 ## Connections
- [[DevOps Culture and Transformation]] ← relates_to ← [[Cloud-DevOp-Maturity-Guideline]]
- [[How Agentic AI for Cloud DevOps]] ← extends ← [[Cloud-DevOp-Maturity-Guideline]]
- [[CI/CD Pipelines]] ← depends_on ← [[Infrastructure as Code]]
- [[DevSecOps]] ← extends ← [[DevOps Culture and Transformation]]
+- [[DORA-Metrics]] ← 评估 → [[DevOps-Maturity]]
+- [[IaC]] ← 支撑 → [[DevOps-Maturity]]
+- [[DevSecOps]] ← 集成 → [[DevOps-Maturity]]
+- [[CI-CD-Pipeline]] ← 核心 → [[DevOps-Maturity]]

 ## Contradictions
- 与 [[DevOps Culture and Transformation]] 无冲突，两者互补
--- a/wiki/sources/Designing-for-Agentic-AI.md
+++ b/wiki/sources/Designing-for-Agentic-AI.md
@@ -1,48 +1,45 @@
 ---
 title: "Designing for Agentic AI"
 type: source
-tags: [agentic-ai, ux-design, product]
+tags: [agentic-ai, ux-design, product-design]
 date: 2025-03-02
-source: https://www.linkedin.com/pulse/designing-agentic-ai-yuri-pessa-ztcmf/?trackingId=gSoKslBrTP6VWNCDJSd7ZA%3D%3D
-author: Yuri Pessa
 ---

 ## Source File
- [[raw/AI/Designing for Agentic AI]]
+- [[raw/AI/Designing for Agentic AI.md]]

 ## Summary
- 核心主题：Agentic AI 时代的产品设计原则，与 GenAI（生成式 AI）的根本区别在于"行动"而非"创作"
- 问题域：传统响应式 UI 设计如何适应主动式 Agent AI 交互范式
- 方法/机制：通过透明度、控制权、个性化、对话、预判五大设计原则构建 Agent AI 体验
- 结论/价值：用户通过观察 AI 决策过程（而非点击按钮）实现主动参与，设计需提供实时反馈和干预机制
+- 核心主题：Agentic AI（智能体AI）的产品设计原则，与 GenAI 的本质区别
+- 问题域：AI 产品设计范式从"响应用户输入"向"主动代理"转变
+- 方法/机制：五大设计原则——透明度（Transparency）、控制权（Control）、个性化（Personalization）、对话（Conversation）、预判（Anticipation）
+- 结论/价值：用户与 AI 的交互模式从"点击按钮"转变为"观察AI推理过程"

 ## Key Claims
- GenAI 擅长内容创作（文本/图像/音乐），Agentic AI 擅长环境交互、决策执行和预判用户需求
- Agentic AI 引入新交互维度：用户通过观察 AI"思考"过程实现参与，而非直接操作界面
- 透明度原则：可视化 AI 任务进度 + 提供推理过程摘要，帮助用户理解 AI 决策逻辑
- 控制权原则：提供明确的 AI 停止机制和操作撤销能力，确保用户始终掌控 AI 行为边界
- 个性化原则：基于用户历史行为预测未来需求并主动提供建议
- 对话式交互：自然语言界面取代传统点击，用户意图以对话方式传达
- 预判式设计：AI 主动预判需求并提供帮助，但用户保留调整 AI 自主性等级的最终控制权
+- GenAI 擅长创作内容（文本/图像/音乐），Agentic AI 擅长行动，能够与环境交互、做出决策、预判需求
+- Agentic AI 引入新维度：主动型智能体预判需求并自主行动
+- 用户观察AI决策过程本身就是一种交互形式，用户并非被动
+- 设计重点从"响应用户动作"转向"提供AI运行时的实时反馈"

 ## Key Quotes
-> "Agentic AI is all about action. It can interact with its environment, make decisions, and even anticipate user needs." — Yuri Pessa
-> "Instead of just reacting to user actions, we're crafting experiences that provide live feedback as the AI operates." — Yuri Pessa
+> "Agentic AI is pushing us to reimagine product design. For years, we've focused on interfaces that react to direct user input—clicks, swipes, and edits."
+> "Users should be able to understand how the AI is making decisions. This can be achieved by visualizing the AI's progress."
+> "Users should always feel in control of the AI."

 ## Key Concepts
- [[Agentic AI]]：能感知环境、决策、预判并自主行动的 AI 系统（与 GenAI 创作型对应）
- [[透明度]]：AI 决策过程可视化，用户可追踪 AI 行为逻辑
- [[控制权]]：用户对 AI 行为的停止/撤销能力，维持人对系统的最终掌控
- [[个性化]]：基于历史行为预测未来需求，AI 主动适应用户偏好
- [[对话式设计]]：自然语言替代传统 UI 交互，降低使用门槛
- [[预判式设计]]：AI 主动预判需求并行动，但保留用户干预机制
+- [[GenAI]]：生成式AI，擅长创作内容（文本/图像/音乐）
+- [[Agentic-AI]]：智能体AI，能与环境交互、决策、预判需求
+- [[透明度原则]]：用户应能理解AI决策过程，通过可视化AI进度实现
+- [[控制权原则]]：用户应能停止AI任务或撤销AI已执行的操作
+- [[个性化原则]]：AI应适应个体用户需求与偏好
+- [[对话原则]]：设计自然语言对话界面，允许用户用自然语言与AI交互
+- [[预判原则]]：AI应能预判用户需求并主动提供帮助

 ## Key Entities
- [[Yuri Pessa]]：本文作者，LinkedIn 文章发布
+- [[Yuri-Pessa]]：LinkedIn文章作者

 ## Connections
- [[Agentic AI]] ← 基石概念 ← [[透明度]] + [[控制权]] + [[个性化]] + [[对话式设计]] + [[预判式设计]]
- [[Agentic-AI]] ← extends ← [[GenAI]]（Generative AI，创作型 AI）
+- [[GenAI]] ← 对比 → [[Agentic-AI]]
+- [[Agentic-AI]] ← 驱动 → [[AI-Agent-Architecture]]
+- [[透明度原则]] ← 支撑 → [[Agentic-AI]]

 ## Contradictions
- 与传统 UX 设计范式冲突：传统 UI 依赖直接用户输入，Agentic AI 需要适应"观察 AI 工作"的新交互模式
--- a/wiki/sources/LLMs-RAG-AI-Agent三个到底什么区别.md
+++ b/wiki/sources/LLMs-RAG-AI-Agent三个到底什么区别.md
@@ -0,0 +1,53 @@
+---
+title: "LLMs、RAG、AI Agent 三个到底什么区别？"
+type: source
+tags: [llm, rag, ai-agent, ai-fundamentals]
+date: 2025-11-19
+---
+
+## Source File
+- [[raw/AI/LLMs、RAG、AI Agent 三个到底什么区别？.md]]
+
+## Summary
+- 核心主题：LLMs、RAG、AI Agent 三个核心AI概念的层次区别与协同关系
+- 问题域：澄清AI应用领域对这三个术语的混淆——它们不是竞争技术，而是不同层面的能力展示
+- 方法/机制：LLM（天才大脑/思考）→ RAG（随身图书馆助理/信息）→ AI Agent（行动者/执行）的三层架构
+- 结论/价值：真正生产系统叠加三者——LLM推理、RAG确保准确性、Agent框架实现自主性
+
+## Key Claims
+- LLM 是"天才大脑"，学习了过去所有知识，擅长思考但对当前情况一无所知
+- RAG 是"记忆系统"，将静态LLM链接到外部实时知识库，解决知识时效性问题
+- AI Agent 是"行动者"，围绕LLM构建循环控制系统（感知→规划→执行→反思）
+- 三者不是竞争技术，而是在三个不同层面满足不同场景的能力展示
+- RAG 通过检索+增强生成两步降低LLM幻觉，提供事实依据与来源引用
+- AI Agent 五步循环：获取任务→扫描场景→仔细思考→采取行动→观察迭代
+
+## Key Quotes
+> "LLM 在思考方面非常出色，但对当前情况却一无所知"
+> "RAG 就像是给那个'全能天才大脑'配备了一位随身图书馆助理"
+> "AI Agent 围绕大脑LLM构建一个循环控制系统，能够感知目标、规划步骤、执行动作、并能够反思结果"
+
+## Key Concepts
+- [[LLM]]：Large Language Model，大语言模型，AI应用的"天才大脑"，擅长思考但知识有时效性限制
+- [[RAG]]：Retrieval-Augmented Generation，检索增强生成，给LLM配备"随身图书馆助理"，解决知识时效性问题
+- [[AI-Agent]]：智能体，围绕LLM构建循环控制系统，实现感知→规划→执行→反思的自主行动
+- [[幻觉问题]]：LLM生成看似合理但实际错误答案的问题，RAG通过提供事实依据降低幻觉
+- [[向量数据库]]：RAG系统中存储外部知识、实现语义检索的核心组件
+- [[NL2SQL]]：自然语言到SQL，使Agent能直接查询数据库解答分析性问题
+- [[AI-Agent-五步循环]]：获取任务→扫描场景→仔细思考→采取行动→观察并迭代
+
+## Key Entities
+- [[DeepSeek]]：国产底座通用大模型
+- [[ChatGPT]]：OpenAI通用大模型
+- [[Qwen]]：阿里通义千问底座通用大模型
+- [[Midjourney]]：专有绘画模型
+- [[Claude]]：Anthropic编程模型
+
+## Connections
+- [[LLM]] ← 核心 → [[RAG]]
+- [[LLM]] ← 核心 → [[AI-Agent]]
+- [[RAG]] ← 提供信息 → [[AI-Agent]]
+- [[向量数据库]] ← 支撑 → [[RAG]]
+- [[幻觉问题]] ← 解决 → [[RAG]]
+
+## Contradictions