‘New Year, New You’ 投资组合挑战，使用 Google AI

Source: Dev.to

这是对New Year, New You Portfolio Challenge Presented by Google AI的提交

关于我

我是一名软件工程师，专注于后端系统、数据工程和云基础设施。我创建了这个作品集，以展示两个基于 AI 的项目，这些项目解决了我日常面临的真实问题：信息过载以及在个人仓库的 PR 自动审查过程中对大语言模型（LLM）的可观测性。

作品集

(以下提供两个主要项目的概览)

我是如何构建它的

技术栈

项目

1. 内容智能中心

一个 AI 驱动的内容策划系统，使用双重评分方法将每日 500+ RSS 文章转化为约 10 篇高价值阅读：

• Gemini AI 分析与我兴趣的个人相关性。
• 社区信号（Hacker News、Lobsters）验证质量。

这解决了“晦涩博客文章”问题——单靠 AI 无法区分随意教程和经过实战检验的 Netflix 工程文章。

2. LLM 代码审查可观测性

为 AI 代码审查系统提供端到端监控，跟踪：

• RAG 检索质量（嵌入相似度得分）
• 成本和延迟趋势
• 请求量和错误率

实时仪表盘直接查询 BigQuery，展示实时 KPI 和时间序列图表。

技术深度解析

双评分算法（内容智能中心）

系统使用基于置信度的加权方式，并根据可用信号进行自适应：

weights = {
    'high': (0.5, 0.5),    # 同时出现在 Hacker News 和 Lobsters 上
    'medium': (0.7, 0.3),  # 只出现在一个平台上
    'low': (0.9, 0.1)      # 没有社区信号
}

病毒式覆盖 – 当 community_score >= 70 且 ai_relevance >= 25 时，加权会转向倾向社区信号：

if community_score >= 70 and ai_relevance >= 25:
    ai_weight, community_weight = 0.3, 0.7

使用 Gemini 的结构化输出

Gemini 返回经 Pydantic 验证的类型安全 JSON，确保下游代码可以依赖已知的模式。

StruQ 模式实现安全的 NL→SQL

聊天助手永远不会直接从用户输入生成原始 SQL。相反，Gemini 提取结构化意图并映射到参数化查询：

User: "Show me Python tutorials from this week"
         ↓
SearchIntent {
    topics: ["Python"],
    time_range_days: 7,
    content_type: "tutorial"
}
         ↓
Parameterized SQL (user input never touches the query)

LLM 可观测性模式（LLM 代码审查可观测性）

可观测性管道跟踪指标，以提供可操作的洞察：

Google AI 集成

Gemini 2.0 Flash 提供：

• 通过结构化 JSON 输出的文章相关性评分
• 自然语言聊天界面（StruQ 模式实现安全 NL→SQL）
• 内容分类（教程、深度解析、新闻）

安全性

零额外成本的 5 层提示注入防御：

1. 输入验证（20+ 正则表达式模式）
2. 使用分隔符的安全提示构建
3. 结构化输出模式强制（Pydantic）
4. 输出验证（模式强制、提示泄漏检测）
5. 限流（通过 Firestore 实现每日 $2 预算上限）

我最自豪的成就

• 双评分创新 – 将 AI 相关性与社区验证相结合，提供个性化 且 经受实战考验的推荐。
• 实时统计 – 仪表盘显示真实、最新的数据。内容智能中心查询 BigQuery 获取实际文章计数和评分；LLM 可观测性标签页展示实时 KPI（总评审数、成本、延迟、RAG 相似度），直接从 llm_observability.metrics 表中提取。
• 成本控制 – BudgetGuard 将支出上限设为 $2 / day，并在必要时优雅降级。整个平台在约 $20 / month 的成本下运行，处理每日数百篇文章和零星的 PR，得益于 Cloud Run 的零实例扩缩能力。