最有成就感的一次技术问题解决
项目背景
在深圳市觉醒运动科技的“觉醒运动平台-TrywakeAIOS”项目中。为了提升产品的智能化体验，我们需要一个核心功能：根据用户的体能数据（如年龄、体重、病史、心率）和历史运动表现，由AI自动生成个性化的科学跑步计划。这是一个全新的需求，也是我们产品从“单纯记录”向“智能教练”转型的关键一步。
技术问题
当时面临的核心挑战是“技术选型与快速落地”。
技术新：当时Spring AI框架刚刚兴起（属于较新的技术栈），团队内没有人有实战经验，社区资料也相对较少。
集成难：我们需要将大语言模型（LLM）的能力无缝集成到现有的Spring Boot后端架构中，既要保证生成的计划符合运动科学逻辑，又要确保接口响应的稳定性。
Prompt工程：如何让AI输出结构化的数据（如JSON格式的周计划），而不是一段无法解析的自然语言，是一个比较大的难题与工作量。
解决过程
快速学习与验证：我利用业余时间查阅了Spring AI的官方文档和GitHub源码，搭建了一个最小可行性Demo。我测试了它对接不同厂商模型（如Ollama、OpenAI）的能力，并验证了它在Spring生态中的兼容性。
决策：确认Spring AI能符合我们的Java技术栈，决定采用。
架构设计与集成：我将Spring AI引入项目，设计了一个AI Service层。在这个层中，我封装了与大模型交互的逻辑。为了解决“幻觉”问题，我引入了Prompt Engineering（提示词工程）。我编写了详细的System Prompt，明确要求AI扮演“专业跑步教练”的角色，并严格规定了输出格式（使用了Spring AI的Output Parser功能，强制AI返回JSON数据）。
数据闭环：我将用户的MySQL档案数据（体能指标）和MongoDB中的历史运动记录，作为上下文（Context）动态注入到Prompt中，确保生成的计划是基于真实数据的。
结果：
成功上线：我们成功上线了“AI智能体生成科学跑步计划”功能，据我所知，这是行业内较早将Spring AI应用于运动健身场景的实践之一。
用户价值：该功能大幅降低了用户制定计划的门槛，用户使用率显著提升。
最难排查的一次 Bug
结论
在我的开发生涯中，排查难度较高的Bug往往不源于单一的代码错误，而是出现在业务链路长、技术栈复杂、对接了第三方外部系统、且难以稳定复现的场景中。这类问题的排查，考验的不是单纯的编码调试能力，而是一套系统性、分层的工程化排查思维和以及你对整个业务的把控程度，定位过程犹如一场全链路的“侦探游戏”。
举例
Bug现象与背景：
还是拿上面的“觉醒运动平台-TrywakeAIOS”项目来讲，我们上线了“AI智能体生成科学跑步计划”功能后，在线上用户测试的反馈中，发现一个偶发性的问题：在晚间用户活跃高峰时段，有极少数用户的AI计划生成请求会超时失败，返回服务器内部错误。但更棘手的是，与之伴随出现的间接现象是：在AI服务调用失败的时间点前后，部分在正常使用跑步机跑步的用户，其实时运动数据上传会出现短暂的延迟或丢失。这两个问题看似无关，但总在相近时间段“随机”发生，导致用户体验受损。
排查的复杂性与难点：
这个Bug存在难度，其根源在于引入了不可控的外部依赖，并且故障现象具有“传染性”和隐蔽性：
根因的模糊性：问题可能存在于我们的调用方代码、微服务模块、网络链路、第三方AI服务本身，或是我们自身系统的资源竞争中。初期难以定位责任边界。
第三方服务的“黑盒”特性：第三方AI服务，我们只能通过其提供的有限API文档和错误码进行推断。
故障的“涟漪效应”：AI服务调用失败可能导致重试机制触发，进而短时间内增加大量请求，可能挤占网络连接池或线程资源，间接影响到对实时性要求高的蓝牙数据上传服务，形成跨业务模块的连锁反应。
现象的非确定性：失败是间歇性的，且错误类型不一，无法稳定复现，这排除了简单的配置错误或代码逻辑BUG，指向了更深层次的系统性、并发性或资源性问题。
排查
划定边界，建立监控基线；
数据关联分析与假设验证；
解决于改进
服务熔断与降级：引入熔断器（如sentinel），当调用第三方AI服务的失败率超过阈值时，自动熔断，快速失败并返回降级方案（如返回一个预置的、通用的安全跑步计划），避免资源耗尽。
资源隔离：为调用第三方AI服务单独配置一个受限的连接池和线程池，与其他跑步机数据处理等核心实时业务进行资源隔离，防止一方故障拖垮全体。
完善监控与告警：建立针对第三方服务调用的黄金指标（流量、错误率、延迟、饱和度）监控，并设置分级告警。
平时开发是否会使用 AI 工具（如 Cursor / ChatGPT / Copilot）辅助开发？主要用于哪些场景？
日常开发中会高频使用 CodeBuddy、Gemini 等 AI 工具辅助开发，结合我全栈开发、架构设计与多技术栈融合的工作场景，AI 工具已成为提升开发效率的重要辅助。我始终坚持以我为主、AI 为辅的原则，AI 工具主要解决机械开发、陌生技术调研、问题排查思路梳理等问题，而核心的架构设计、业务逻辑开发、跨端协同核心方案、系统稳定性保障等关键工作，均由我自主把控并做严格的代码与方案评审，确保项目质量与技术落地的合理性。