机缘：为何提笔写下第一行文字？

还记得第一次在 CSDN 发布博文的那天，是某个深夜。当时我正在参与一个基于昇腾 AI 平台的大模型推理优化项目，遇到了算子性能瓶颈的问题。翻遍资料无果后，终于在华为开发者空间的文档中找到了线索——通过自定义 Ascend C 算子实现高效计算。

那一刻，我突然意识到：技术的价值不仅在于解决问题，更在于将经验沉淀下来，照亮他人前行的路。

于是，我鼓起勇气写下第一篇原创文章《华为开发者空间赋能昇腾 AI CANN 算子开发》，详细记录了从环境搭建到算子实现的全过程。没想到这篇文章后来获得了近 30 个点赞、18 次收藏，还有几位开发者私信感谢我说“帮了大忙”。那一刻，我知道——我找到了成为创作者的初心：用文字连接技术与人，让知识流动起来。

从此，无论是实战项目中的踩坑经验、学习笔记的整理，还是对前沿技术（如 RAG、LangGraph、大模型评估）的探索，我都愿意记录下来，与大家交流共进。

---

收获：每一份反馈都是前行的动力

创作之路并非一帆风顺，但每一次正向反馈都让我倍感温暖。

• 我的文章累计获得了 超过 5000+ 的阅读量，其中单篇最高阅读达 1636，被多次收藏。
• 收到了来自全国各地开发者的 真诚评论与私信交流，有人和我讨论技术细节，有人分享他们的改进方案，甚至有高校学生将我的文章作为课程参考资料。
• 在 AI-AGENT 夏季训练营中，我结识了一批志同道合的技术爱好者，我们一起探讨 LangGraph 的状态机设计、RAG 的动态检索策略，思想碰撞中激发出无数灵感。
• 更令人欣喜的是，我的内容被纳入“华为开发者空间”推荐资源池，成为昇腾生态学习路径的一部分。

这些认可让我明白：哪怕只是微小的技术笔记，只要真实、有用，就能产生价值。

---

日常：创作，已成为生活的一部分

作为一名 AI 平台研发工程师，工作节奏紧张，项目迭代频繁。但我始终相信：输出是最好的输入。

因此，我养成了“学完即写”的习惯：

• 每当掌握一个新技能（比如 OpenCompass 的评测流程、NPU 上的模型部署），我会第一时间整理成文；
• 周末清晨或通勤路上，是我固定的写作时间；
• 遇到复杂问题时，我会以“如何向别人解释清楚”为目标去梳理逻辑，这反而加速了我对技术本质的理解。

虽然精力有限，但创作早已不是负担，而是一种反思、沉淀与成长的方式。它让我在快节奏的工作中保持深度思考的能力，也让我的技术视野更加开阔。

---

成就：写得最好的一段代码？

如果说哪段代码最让我自豪，那一定是我在实现 基于 LangGraph 的 Self-RAG Agent 时的核心调度逻辑。这段代码实现了动态决策、实时检索、自校正生成三大能力的有机融合

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated, List
import operator

class AgentState(TypedDict):
    query: str
    retrieved_docs: List[str]
    generation: str
    should_rerun: bool
    steps: Annotated[List[str], operator.add]

def retrieve_node(state: AgentState) -> AgentState:
    docs = vectorstore.similarity_search(state["query"])
    return {
        **state,
        "retrieved_docs": docs,
        "steps": ["retrieval"]
    }

def generate_node(state: AgentState) -> AgentState:
    prompt = f"根据以下内容回答问题，若信息不足请说明：\n\n{''.join(doc.page_content for doc in state['retrieved_docs'])}\n\n问题：{state['query']}"
    response = llm.invoke(prompt)
    return {
        **state,
        "generation": response.content,
        "steps": ["generation"]
    }

def decide_rerun_node(state: AgentState) -> str:
    # 判断是否需要自校正（模拟逻辑，实际可接入 Self-RAG 判断头）
    if "无法确定" in state["generation"] or len(state["retrieved_docs"]) < 2:
        return "retrieve"
    return "end"

# 构建 LangGraph 流程
workflow = StateGraph(AgentState)
workflow.add_node("retrieve", retrieve_node)
workflow.add_node("generate", generate_node)

workflow.set_entry_point("retrieve")
workflow.add_edge("retrieve", "generate")
workflow.add_conditional_edges(
    "generate",
    decide_rerun_node,
    {
        "retrieve": "retrieve",
        "end": END
    }
)

app = workflow.compile()

💡 这段代码让我第一次真正体会到 Agent 不只是流程串联，而是具备“思考闭环”的智能体。它可以根据生成结果反向驱动检索，实现自我修正，正是 RAG 演进为 Self-RAG 的关键一步。

---

憧憬：未来想成为什么样的创作者？

展望未来，我希望自己能做到三个“坚持”：

1. 坚持深耕 AI 基础设施领域
   继续聚焦昇腾 AI、CANN、大模型评估（OpenCompass）、Agent 架构等方向，做国产 AI 生态的建设者与传播者。

2. 坚持输出高质量、可复现的技术内容
   拒绝“标题党”，每一篇文章都附带完整代码、环境配置和踩坑提示，让读者真正“能跑起来”。

3. 坚持连接更多开发者
   计划发起“昇腾 AI 实战笔记”系列专栏，联合社区力量共建开源知识库；同时也希望有机会走进高校，与年轻学子分享国产算力平台的技术魅力。

---

最后，感谢 CSDN 提供这样一个开放、包容的技术舞台，也感谢每一位阅读、点赞、收藏我文章的朋友。
我们素未谋面，却因一行代码、一段文字而产生共鸣——这，就是技术创作最美的样子。

🌱 路虽远，行则将至；事虽难，做则必成。
我还在路上，也愿与你同行。

---

Tips

1. 您发布的文章将会展示至 里程碑专区 ，您也可以在 专区 内查看其他创作者的纪念日文章
2. 优质的纪念文章将会获得神秘打赏哦