个人能力图谱：把数据产品做成 AI 应用
一条从 BI 低代码、表单平台、数仓指标链路、Java 后端微服务到 AI 工作台的全栈能力主线，展示我如何把复杂业务问题拆成可运行、可验证、可演进的工程系统，并在 7 年经验中持续沉淀数据智能与 AI 应用落地能力。
我想展示的不是履历长度
这个专题的核心不是把工作经历重新排版，而是把我解决问题的方式展开：先判断业务问题属于口径、流程、数据、交互还是系统边界，再选择合适的工程形态。7 年经验里，我从前端低代码设计器起步，逐步覆盖 Java 后端、数据仓库、CDC 实时链路和 AI Agent 工作流，带过 3-5 人研发小组，也在持续把 AI 能力纳入真实研发流程。
我做过 BI 设计器、表单低代码、数仓指标、图表服务、CDC 链路、Dify 问数和 AI 工作台。这些经历看起来分散，但底层都在处理同一件事：把不稳定的业务表达，变成稳定的协议、状态和结果。
我的能力更像一条纵向链路
前端体验、后端服务、数据模型和 AI 编排不是四个孤立标签。它们在企业数据智能场景里是同一条链路的不同层。如果其中一层不稳，最终用户看到的就是“图不准、问不动、答不清、查不回”。
这个专题适合怎么读
想看 AI 应用能力，先读 AI 原生数据分析工作台；想看工程深度，读数据智能后端微服务与实时数据链路；想看产品抽象能力，读 BI 低代码平台和低代码表单平台。
业务口径把自然语言和管理问题落到指标、组织、时间、权限
配置系统把重复页面、图表和流程抽成 schema、协议和运行时
数据链路从 DataX/CDC 到 DWD/DWS，再到服务层和看板消费
AI 工作流意图、计划、工具、执行状态、追问和评估闭环
好的 AI 应用不是把模型放到页面上，而是把原本散落在业务、数据、权限和交互里的判断路径显性化。
| 层次 | 过去做过 | 迁移到 AI 应用 |
|---|---|---|
| 表达层 | BI 图表、移动端 Chat、低代码表单、门户配置 | AI 结果协议、流式状态、追问入口、可解释展示 |
| 服务层 | 图表服务、标签中台、权限过滤、动态 SQL | 工具适配器、查询守卫、任务状态机、错误语义 |
| 数据层 | DataX、CDC、DWD/DWS、指标预统计 | 语义层、指标口径、血缘解释、可复盘结论 |
| 产品层 | 配置化设计器、模板发布、控件体系 | Agent 工作流编排、会话上下文、评估集和灰度发布 |
- 先看“AI 原生数据分析工作台”，判断我是不是只会接模型，还是能设计完整 AI 应用链路。
- 再看“AI 智能问数与移动端助手体系”，判断我对企业问数、指标、权限和跨端体验的理解。
- 继续看“数据智能 BI 低代码平台”，判断我能不能做复杂前端平台和配置化设计器。
- 最后看“数据智能后端微服务与实时数据链路”，判断我是否能承接服务层、CDC、标签和指标查询的复杂度。
业务问题
-> 口径澄清：指标 / 组织 / 时间 / 权限
-> 数据链路：源表 / DWD / DWS / 服务协议
-> 产品抽象：配置 / 状态 / 回显 / 发布
-> AI 编排：意图 / 计划 / 工具 / 结果 / 追问
-> 可验证交付：日志 / 评估 / 回滚 / 文档