2025
2025 年度个人工作总结
一、核心工作成果
AI 大模型应用开发
- 完成 AI 辅助开发工具链建设，包括自定义 Claude Code 命令、Git 工作流自动化，解决了团队在权限管理和 markdown 语法冲突的实际问题
- 重构前端项目架构（skzz/前端框架），提升了开发体验
- AI 智能体的简单实现：（参见 “AI 造价“ 中 ”风口智能体“）
技术架构优化（空余时间完成）
- 学习完成服务器基础设施配置（SSL 证书、Docker 部署、数据库集群）等
- 在域名中通过配置 DNS 和 SSL 证书实现安全访问
- 学习 Nuxt 框架项目，搭建部署了 @movk/nuxt-docs 等项目
- 研究实现了在项目中提供基于 MCP 工具的 AI 聊天界面的模块（后续可以应用到实际开发项目中，节省开发查询时间）
二、个人成长与反思
做得好的方面
- 技术应用：使用了不同的 AI 模型辅助完成了多个项目的开发工作（Claude Code 和 GitHub Copilot 等）
- 系统性思维：不只关注功能实现，开始主动思考架构设计、工具链建设、团队效率提升，建立了开发规范
- 问题解决能力：面对新技术栈遇到的问题（如 Tailwind v4 兼容、项目环境的部署配置），能够独立排查并形成解决方案
不足与改进
- 技术广度有限：AI 模型应用较多，但对底层算法和原理理解不够深入。改进计划：学习深度学习的基础知识，阅读相关论文
- 项目开发管理经验欠缺：缺乏大型项目的管理经验，导致在时间管理和任务分配上存在不足。改进计划：参与更多团队项目，学习项目管理方法
三、2026 年度规划
AI 技术深化
- 理论基础补齐：完成深度学习，能独立评估 AI 方案可行性
- 工程能力提升：基于现有 MCP 模块，实现项目级 AI 助手（代码审查、文档生成、接口用例生成），在 2-3 个项目中落地验证
- 模型应用拓展：探索多模态模型（图像识别、语音处理）在业务场景中的应用
技术突破
- 架构能力：系统学习微前端和组件库设计
- 技术栈扩展：深入学习服务端渲染优化，提升全栈能力
项目管理能力
- 方法论学习：建立需求管理、迭代规划的标准流程
- 团队协作：实践项目管理方法，积累沟通协调经验
四、全年总结
2025 年是技术转型的关键一年，从传统前端开发转向 AI 驱动的全栈开发，既有突破也有不足。核心收获是建立了技术体系思维，不再局限于单点技术，而是从工具链、架构、效率的全局视角思考问题。
未来方向更清晰：深耕 AI 工程化方向，将 AI 能力深度融入开发流程和业务场景，同时补齐前端架构和性能优化的短板，争取在 2026 年成为团队的技术骨干和方案设计者。