真实业务场景中的 Agent 落地复盘——决策过程、踩坑记录、架构演进。所有案例均来自实际生产系统。
广告系统原有的同步引擎每个上游供应商一套硬编码逻辑，新增一个 API 就要改代码。V2 版本将同步流程抽象为 supplier_sync_config → sync_endpoint → sync_field_mapping 三级配置，新增供应商只需配表，零代码改动。
每天手动检查上游数据是否同步到位、数据清洗是否准确、各维度报表是否一致？Phase 1/2 实现了自动化巡检：定时检查同步健康度、校验数据完整性、检测异常波动。异常自动告警，不再靠人工翻日志。
风控规则从代码硬编码改为 alert_rule 表配置——每条规则独立定义阈值、检测范围和检查频率。规则引擎支持按链接/渠道/账号/域名/公司多维度检测，新增规则只需 INSERT 一条记录，无需改代码部署。
广告数据流经上游 API → 同步 → 清洗 → 聚合 → 报表五层。当出现数据对不上的问题时，系统化排查流程覆盖五类典型断裂模式：API 切换、字段丢失、维度硬编码、写入覆盖、数据累积偏差。
客户看到的数据曾经是原始数据，导致结算对不上。重构后客户面板切换到清洗后的事实表（fact_ad_stats），同时增加了下游分成计算、域名级权限控制、开放 API 查询层。
Hermes Agent 作为总设计师+总执行，决策者只做审核决策。从方案设计、代码生成、测试验证到部署上线，全流程由 Agent 自主完成。这套工作流本身就是在用 Agent 做 Agent——dogfooding 的最佳实践。
用 Astro 搭建的企业级智能体知识站点，由 AI Agent 系统驱动内容生产。每篇文章遵循「学习→大纲→初稿→审核→修改→发布→复盘」七步闭环——这本身就是在实践 Harness 的验证闭环理念。