HHugo WanFIELD NOTES
OPEN-SOURCE AI DELIVERY LAB · 2026

把 AI 从 demo 推到
真实工作现场。

我是 Hugo Wan，一名面向真实业务的 AI builder。通过 FDE 的交付方法和 OPC 的公开构建，把模糊需求变成可用的工作流、评测和工具。

看我的 GitHub ↗从一篇 field note 开始
FDEForward-Deployed Engineering
OPCOne-Person Company experiments
evals从可用到可靠的证据链
build in publicGitHub · X · 小红书
What I ship
FOCUS / 01—04
01 / FIELD NOTES

进入现场
再写方案

记录跨团队协作、需求澄清和上线后的真实摩擦。

context → clarity
02 / EVALS

给 agent
一把尺子

从任务集、评分 rubric 到回归测试，建立可解释的质量基线。

measure → improve
03 / MCP

连接工具
而非堆 prompt

把业务 API、数据和权限设计成可复用的模型上下文协议。

tools → leverage
04 / AGENT SKILLS

把经验
变成能力

将交付套路封装成清晰、可测试、可分享的技能包。

practice → asset
Field notes
WRITING / BUILDING IN PUBLIC

不追热点，记录那些能让交付更稳一点的细节。
每周一篇，持续迭代。

2026.09

FDE 交付闭环：从现场观察到可复用 skill

一套适用于 AI 产品落地的最小工作系统。

METHOD ↗
NEXT

Agent evals 不是打分表：如何设计真实任务集

让质量评估成为研发反馈，而不是上线前的仪式。

EVALS ↗
NEXT

MCP server 的第一性原理：权限、上下文与失败模式

从一个小工具开始，做出值得信任的连接层。

MCP ↗
ONGOING

每日一个小交付：开源、复盘、讲清楚

把构建过程同步到 GitHub、X 和小红书。

OPC ↗
Delivery stack
A REPEATABLE LOOP

好的 FDE 不只是“会做 demo”。我正在把每次项目里的判断、工具和结果，整理成一套能被下一次交付复用的公开资产。下面是这套系统的骨架。

  1. 01 · Discover现场访谈 / workflow map
  2. 02 · Frame任务边界 / success criteria
  3. 03 · Buildagent / MCP / skill
  4. 04 · Evaluatedataset / rubric / regression
  5. 05 · Enablehandoff / docs / training
  6. 06 · Sharerepo / note / short post

有真实的 workflow，
一起把它变成产品。

在 GitHub 找到我 ↗