· XingAI Tech Blog
归档早就写好了，缺的是站点
这个仓库里已经有 88 篇英文 + 88 篇中文。最后一次写作：2026-08-05。公开 GitHub Markdown。
全部文章
XingAI 产品的工程记录。中英同一事实。
89 篇
· Invest AI · InvestSim · Robinhood MCP
三个仓，一条纸面到 draft 的环
Invest AI 排名并缓存。InvestSim 跑多条纸面 sleeve。Robinhood MCP 在门控下起草订单。
· Robinhood MCP
先证据后 draft：Robinhood MCP 开始读 InvestSim
ADR-008 给了网关 HTTP 控制面。signalwatcher 仍只按 Invest AI Top-1 起草，InvestSim 证据停在「以后再说」。
· InvestSim
再加五条纸面 sleeve：InvestSim Tier-2.5，不开新信号总线
Tier-2（ADR 0030）之后，下一批 sleeve 必须复用 Invest AI 的排名面——而不是发明平行信号总线。
· XingAI Invest AI
Today Intelligence 与留在 Invest AI 内的报告面
一份「Daily Stock Market Intelligence」草稿看起来像新的 FastAPI + Alembic + Next。Invest AI 已有 Resend 摘要、报告触发、宏观雷达和报告目录。
· XingAI Invest AI
从信号事件到 Strategy Lab：Invest AI 内由 Worker 拥有的纸面
→ ADR-036 Worker OHLCV（Yahoo 只在 Worker 后）
· XingAI Notification Platform
XNP Phase 2：先跑起来、里面先什么也没有的模块化单体
Phase 1 交了架构包：系统设计、ADR 0001–0018、C4、契约。下一步的诱惑是还没搞懂如何拒绝坏 JWT，就先上 SMS、模板、活动。
· XingAI Invest AI
每日投资智报：扩展 Invest AI，而不是再开一个报告产品
一份围绕 20 万美元 FI 组合的中文 A4 密排 PDF，看起来很像新产品：新域名、新 Worker、新 Resend、甚至 investment-report.xingai.app。
· XingAI Engineering System · Evidence Engine
Human Overlay Cache：能在再跑 verify 后活下来的人审写入
校验器上线了。仪表盘有 Accept / Reject。工程师在 verify JSON 上打了 review=accepted。下一次 CLI 覆盖缓存。人工工作消失。信任也没了。
· XingAI Evidence Engine
引用校验上线之后的三道诚实补丁
Evidence Engine 能给 markdown 引用打分之后，产品里很快露出三种假诚实：
· XingAI Evidence Engine + Opportunity Radar
我们把自己的 AI 雷达跑了一遍引用验证，它把我们标红了
我们每天发布一份内部 AI 机会雷达：从实验室博客和融资新闻里提取信号，映射到产品决策。每期都带引用。而在今天之前，除了读它的人，没有任何机制检查过这些引用。
· XingAI Robinhood MCP + Invest AI
Fail-Closed 之后：Robinhood MCP 门控、数据新鲜度、Step-Up，以及为什么它仍然不自动交易
7 月 11 日，Robinhood MCP gateway 的故事很简单：它故意阻止每一笔写操作订单。G1、G6、G7 是真实代码。G2 到 G5 是明确命名的 fail-closed gate。
· Enterprise AI POCs — LLM 护栏与监控
十二步不是十二个工具 Logo
公开海报喜欢干净的阶梯：Plan → Build → Validate → Operate，十二个盒子，每个下面一排 Tools。这边 LangChain，那边 LangSmith，最后 Docker。当检查清单可以。当架构不行。
语法正确不等于资深沟通：14 天技能课程 + Decision Ledger
XingAI Engineering Communication Coach 不是 Grammarly 套壳。产品问题是：非母语工程师今天该练什么，才能让明天的设计评审、事故同步、或对不合理截止日期说「不」听起来像资深——而不只是语法正确？
交易 UI 仍然不交易：Robinhood MCP Control Plane
2026 年 7 月 14 日，xingai-robinhood-mcp 发布了 0.7.0：给私有 Robinhood operator UI 用的一层很小的 HTTP control-plane API。
· XingAI Opportunity Radar
空表壳，满正文：修好 Opportunity Radar 邮件
我们终于把 Resend 密钥配进 Opportunity Radar 的 GitHub Actions，并强制发了一封。邮件到了，却像个空壳：日期、空表格、一句罐头 thesis。真正的 Executive Summary、Top Opportunity、Build This Week 全没出现。
从 Mock Pattern 到缓存学习数据：Learn AI 接入真实 Metadata
Learn AI 一开始的产品边界是对的：它不是 LeetCode clone。它回答的是一个决策问题：下一步我该练哪个 pattern？
从诚实 404 到缓存分数：Decision Engine 的第一版 Producer
Decision Engine API 最初发布时有一个刻意诚实的行为：如果没有 dailyscores.v1.json export，就返回 404。
· Enterprise AI POCs — Claims MCP OAuth
为什么 MCP 需要 OAuth,而不是简单发个 API key
每次有人第一次搭 MCP server 都会问这个问题:它不就是个调用几个函数的 HTTP 端点吗,为什么不像其他内部服务一样发个 API key,非要折腾 OAuth 2.1、PKCE、JWT 这一整套?
· Enterprise AI POCs — Claims MCP OAuth
Scope 不等于 Policy:claims-mcp-oauth-poc 里的第二道墙
这个系列的[第一篇](2026-07-13-mcp-oauth-vs-api-key.zh.md)和[第二篇](2026-07-13-mcp-auth-api-key-vs-oauth-pkce.zh.md)讲了 claims-mcp-oauth-poc 为什么要用 OAuth,以及协议本身到底检查了什么——签名、issuer、audience、过期时…
· Enterprise AI POCs — Claims MCP OAuth
MCP 认证机制:发现阶段、PKCE,以及每次调用到底在检查什么
[上一篇](2026-07-13-mcp-oauth-vs-api-key.zh.md)讲了 claims-mcp-oauth-poc 为什么要用 OAuth 2.1 + PKCE 而不是一个简单的 API key——简短版本是:MCP 真实的形状是三方(用户、agent、resource server),而一个静态 key 是个两方原语,表达不出"这…
· Enterprise AI POCs — Claims Partner API MCP
先做全量覆盖：一个理赔第三方 MCP POC
昨天那篇讲的是 [claims-mcp-oauth-poc](2026-07-12-claims-mcp-oauth-poc-same-auth-different-industry.zh.md)：真实的 OAuth 2.1 + PKCE 挡在四个刻意收窄的工具前面。那个 POC 回答的是"认证协议能不能推广到一个受监管的业务域"。它回答不了另一个同样…
· Enterprise AI POCs — Claims MCP OAuth
同一套密码学，换一个行业：理赔 MCP OAuth POC
昨天上线了两篇[教学实验课](https://github.com/xingaiapp/xingai-enterprise-ai-design/blob/main/guides/2026-07-12-mcp-oauth-pkce-lab.zh.md)，用 Robinhood 的 Agentic Trading MCP 当例子，完整走了一遍 OAuth …
· XingAI Robinhood MCP
一个会挡住每一笔订单的交易网关（故意的）
[Invest AI ADR-028](https://github.com/xingaiapp/xingai-invest-ai/blob/main/docs/adr/028-robinhood-mcp-execution-gates.zh.md) 定义了七道门（G1–G7），下单必须全部通过才能到达 Robinhood 的 Agentic Trad…
· XingAI Agent Firewall
按轮次污染：让「不可信来源」变成真信号
7 月 5 日的 [Agent Firewall 文章](2026-07-05-agent-firewall-helpfulness-attack-surface.zh.md)里，0din 类拦截的风险分是 60。这个数字诚实——也不完整。
· XingAI Agent Firewall
拒绝并加规则，但不现场改 YAML
ADR-003 承诺四个审批按钮：批准一次 / 本 session 批准 / 拒绝 / 拒绝并加规则。前三个落地了。第四个停在文案里，没有后端。
· XingAI Agent Firewall
上线审批队列看板（顺带撞上一堵没人预警的 TypeScript 7 墙）
[ADR-003](https://github.com/xingaiapp/xingai-agent-firewall/blob/main/docs/adr/003-approval-workflow-ledger.zh.md) 在 PRD 里就定好了四个一键审批操作。[ADR-005](2026-07-11-agent-firewall-deny-…
· Learn AI
面试准备是决策问题：Learn AI 的单次调用 Engine 架构
LeetCode 告诉你解什么，却从不回答真正决定你面试成败的问题：下一步该练什么？
· XingAI Agent Firewall
Coding Agent 的"乐于助人"就是攻击面
Mozilla 0din 团队[展示](https://www.tomshardware.com/tech-industry/cyber-security/ai-coding-agents-can-be-tricked-into-installing-malware-via-clean-github-repositories-mozillas-0din…
可执行知识：质量提升速度
每个团队都争论过"快点发"还是"好好做"，仿佛这个权衡是自然法则。AI 原生工程团队正在证明它不是。机制在于一次通过率：质量关卡自动化之后，变更更常一次成功，被返工消耗的产能就更少。
· XingAI Research-to-Startup Agent
Research-to-Startup Agent：四产物流水线架构
读 AI 论文很容易。知道从中能构建什么，很难。
Personal Memory Engine：Supabase RLS + FastAPI 实现详解
[Engineering System ADR-001](https://github.com/xingaiapp/xingai-engineering-system/blob/main/docs/adr/001-personal-memory-engine.md) 定义了架构。[Invest AI ADR-031](https://github.co…
· XingAI Opportunity Radar
Newsletter Worker：把 Opportunity Radar 变成每周邮件
Opportunity Radar 每周生成一份详细的 markdown 报告。直到现在，它一直存在私有仓库里。这周我们添加了一个 newsletter worker，读取该报告并通过 Resend 以格式化邮件发送——零新基础设施，每周五早上自动执行。
· XingAI Meal Coach AI
Meal AI：在没有后端的 Next.js 应用里实现 Decision Ledger
Meal AI v4 是一个纯 Next.js 应用——没有 Python 后端，没有数据库，所有决策逻辑都在客户端的 TypeScript 里。[Decision Ledger schema](https://github.com/xingaiapp/xingai-engineering-system/blob/main/patterns/decis…
Loop Engineering：为什么企业 AI 的真正资产是运行时
AI 工程学科演进很快。我们从 prompt engineering 到 context engineering，再到 harness engineering，现在到了 loop engineering——系统通过 plan → execute → evaluate → reflect 周期自主追求目标。
XingAI 不是聊天机器人，是决策引擎
现在所有人用 AI 做的事，都是在做聊天机器人。
Personal Memory Engine：一个画像，跨越所有 XingAI 产品
建多个 AI 产品的麻烦在于：每一个都从零开始。
· XingAI Meal Coach AI
Meal AI：面向健康场景的 Worker + Cache 膳食规划架构
Meal AI 是 XingAI 的健康领域——营养规划、膳食推荐，以及为有特定健康状况的家庭成员提供照料者支持。
· XingAI Polymarket AI
扫描器算数、人点头：Polymarket AI Phase 1–2
Polymarket AI 扫描市场、估 edge、用 fractional Kelly 定仓。典型翻车：cron 接 CLOB，edge > 5% 自动下单。
· XingAI Invest AI
两套 Regime、一块仪表盘：技术层 vs 宏观层（ADR-027）
[ADR-026](https://github.com/xingaiapp/xingai-invest-ai/blob/main/docs/adr/026-decision-engine-integration.zh.md) 之后，同一块仪表盘可能同时出现两种 regime：
· XingAI Invest Decision Engine
只读券商、可写账本：Decision Engine ADR-014 与 ADR-015
Robinhood [Agentic Trading](https://robinhood.com/us/en/support/articles/agentic-trading-overview/) 允许 Agent 读持仓并下单 — 用户甚至可配置无需逐笔确认自动执行。
· Invest AI + Decision Engine
两个仓库、一份分数契约：Decision Engine ADR-011 与 Invest AI ADR-026
Invest AI 交付带宏观共识的生产 dashboard。Decision Engine 拥有多周期技术打分与回测。两个仓库是刻意设计 — [Decision Engine ADR-002](https://github.com/xingaiapp/xingai-invest-decision-engine/blob/main/docs/adr/0…
· XingAI Invest AI
只读优先 MCP：Robinhood Agentic Trading 与 ADR-028 执行门控
Robinhood [Agentic Trading MCP](https://robinhood.com/us/en/support/articles/agentic-trading-overview/) 允许第三方 agent 在专用 Agentic 账户 读持仓并下单。用户甚至可配置无需逐笔确认自动执行。
· Enterprise AI POCs — Claims Multi-Agent RAG
Supervisor + RAG + 引用：保险理赔 Multi-Agent POC 怎么搭
理赔员不会瞎猜。他们读报案、查保单、看历史、套规则、做决定 — 还要能说明为什么。这个新 POC 自动化的是流程，不是替人拍板。
· XingAI Platform / XingAI Founder
XingAI Opportunity Radar｜2026-06-24：Agent 技术栈收敛
六月大厂发布不是散点功能，而是同一条技术栈在收敛：
· XingAI Platform
Cursor Skills 与 MCP：流程 vs 能力
我们在 [xingai-engineering-system](https://github.com/xingaiapp/xingai-engineering-system) 里维护 10 个 Cursor Skills，Invest AI 则规划 MCP Server 接入行情、新闻和（远期）券商。新人常问：
· XingAI Invest AI
保存偏好不是投资决策：在不破坏 Worker 边界的前提下追踪股票
top signals、排名、风险、置信度、symbol overlays
· Invest AI
单人管理员、真实权限：为什么我们先不做 SMS，而是规划 Email OTP
Invest AI 的管理员能力不是演示开关。登录后的运维可以：
· Research AI
分阶段 SSE，不剧透结论：Research AI 等待体验
缓存未命中要排队等 Worker。只转圈像坏了；流式输出半个结论则是 撒谎。
· Research AI
Research AI 的 SQLite CQRS：同一套键，同一个 Fly 卷
Research AI 没有重新发明缓存，而是沿用 Invest AI 的 单写多读 SQLite 模式，只换了键名。
· Research AI
Research AI 的 SEO 与 AEO：单 URL、三语言 UI
营销站用语言路径（/zh/…）。Research AI 在顶栏切换语言并存 localStorage。SEO 照样要做。
· Research AI
学习 AI 的四层「非专业建议」防护
Research AI 判断「值不值得学」，但措辞不当仍像职业或财务建议。
· Research AI
每天三次实时研究：Research AI 免费档与缓存
匿名用户 每 24 小时 3 次 实时 AI 研究。已缓存主题（含 trending）不计数。
· Research AI
Research AI 如何处理假数据：先有来源 URL，再做 AI 合成
Research AI 里发现了一个不该出现的模式：有些 UI 看起来像事实数据，但背后没有原始来源。
· Research AI
决策板，不是聊天框：Research AI 为什么只给一个结论
Google 回答 是什么。Research AI 回答 今晚值不值得：
· Research AI
一条流水线，一个 ROI：Research AI 如何给主题打分
输入主题后，Research AI 返回 结论 和 0–100 学习 ROI。二者来自同一次 Worker 运行。
· Research AI
Research AI 的 Google OAuth：登录流程到底怎么工作
Research AI 允许游客免费使用已缓存的学习主题。Gmail 登录后，可以解锁不限次数的实时 AI research。
· Research AI
上线 Research AI：Vercel 跑 UI，Fly 跑 Worker + SQLite
Research AI 沿用 Invest AI 部署形态：
· Research AI
学习决策边界：Research AI 的结论由 Worker 拥有
Research AI 回答的问题和 Google 不同：
· XingAI Invest AI
Worker Cache 邮件摘要：不把决策搬进 API 的通知系统
投资 dashboard 只有在用户打开时才有用。盘前决策摘要则应该在用户询问之前到达。
· XingAI Invest AI
Agentic 不等于自动交易
“Agentic” 是一个被过度使用的词。在投资产品里，它必须有边界。
· XingAI Invest AI
AI 投资产品里的结构性风险
AI 投资产品危险的地方不只是答错。更危险的是：脆弱结构上长出一个很自信的答案。
· XingAI Invest AI
Email 是决策，PDF 是解释
第一版 daily-picks email 在技术上可用：读取 worker cache，选择 top signals，然后发邮件。但产品形态不对：它像一张原始表格。
· XingAI Invest AI
决策可观测性：让 AI 信号可审计
AI 投资 dashboard 不应该只展示答案。它应该展示答案为什么变化。
· XingAI Invest AI
决策缓存边界：Worker 计算，API 读取
这条规则存在，是因为金融 UX 很容易在每一层“顺手补一点”时变危险。Dashboard route 可能重新算 rank。React 组件可能从 raw quote 推断 risk。通知 job 可能自己生成 action label。
· XingAI Platform
MCP 架构：四种连接模式与生产级鉴权实践
Model Context Protocol（MCP）给 AI Agent 提供了统一的工具发现与调用协议。Demo 很好做，上线难在别处：权限隔离、链式 MCP、多 Agent 编排，还有「一把 API Key 通吃全部后端」这种迟早会炸的设计。
· T Today / invest-t-advisor (`t.xingai.app`)
用 Prompt 约束 AI：截图读不清就别猜 Ticker
[T Today](https://t.xingai.app) 读券商持仓截图，输出 做T 计划（买卖区间、现金建议）。模型自信地猜错代码，比直接说「看不清」更危险——用户可能按 PLTR 的计划去操作，其实持仓是 TSLL。
· T Today / invest-t-advisor (`t.xingai.app`)
push 前两道闸：Husky pre-push 与 `npm run check`
[T Today](https://t.xingai.app) 把规则引擎、Prisma schema、OpenAI 视觉接口放在同一个 Next.js 仓库里。编辑器里看着没问题，tsc 却可能挂。规则引擎改坏了也不一定会触发 build 失败——直到 Vercel 帮你发现。
· XingAI 平台 — Meal、Cook、Travel、Invest 等
一套 Foundation 规则管所有 XingAI 产品：移动壳层、i18n、法律、SEO 与 AEO
我们在维护的不止一个 app：Meal Coach、Cook AI、Travel AI、Invest AI、营销站 xingai.app……每个仓库各自有一套导航、语言、主题、法律页脚的习惯。
· XingAI Travel AI — `xingai-travel-ai`
Travel AI 做成决策系统：先比较，再预订
多数旅行站回答的是：「这里有 400 个航班。」
· T Today / invest-t-advisor
规则先行、AI 其次：T Today 双层决策引擎
T Today（t.xingai.app）只回答一个窄问题：
· T Today / invest-t-advisor (`t.xingai.app`)
访客开放首页：每日 3 次免费 AI，无需先登录
[T Today](https://t.xingai.app) 的核心路径是：上传券商持仓截图 → 拿到做T计划（买卖区间 + 规则检查）。纯纸面，不下单。
· T Today / invest-t-advisor
网络里 JSON 有内容，界面上却是空的
T Today 持仓教练用 OpenAI，responseformat: { type: "jsonobject" }。模型返回带 zh、en 的大块 JSON。用户切换语言 — 卡片还是空的。DevTools 里明明有内容。产品表现像「分析失败」。
· XingAI Platform
提示工程师、上下文工程师与 Harness 工程师
2023 年很多 AI 工程像「写提示词」：调 system prompt、加 few-shot，让模型答得更好。这技能仍重要；但一旦 AI 变成产品，难点很少是提示词里那几句话，而是周围一切：
· InvestSim / invest-performance-sim (private)
InvestSim 变成可运行的纸面引擎
InvestSim 起初只是能展示「今日 AI 选股」的仪表盘。现在它是一套小而确定的纸面交易引擎。
· Platform (Vercel + GitHub) · applies across XingAI apps
私有仓库也能用 Vercel Git 自动部署
Vercel 的「push 就自动部署」不限于公开仓库 — 私有（private）仓库也可以，只要在 GitHub 侧完成 Vercel GitHub App 的安装与授权。是否自动部署，取决于 有没有在 Vercel 里 Connect Git 以及 Vercel 能否读该仓库；与 public / private 无必然关系（私库只是多一步权限）。…
· InvestSim / invest-performance-sim (private)
纸面实验室为何单独成仓
[Invest AI](https://xingai.app/apps/invest-ai) 回答「今天市场长什么样？」—— 信号、仪表盘上下文，以及后续更丰富的决策面。
· XingAI Invest AI
发布 Invest AI V1：Fly.io + Vercel 的运行手册思维
[ADR-004](2026-05-12-v1-hosting-fly-io.zh.md) 解释 Python 侧选 Fly.io、Next.js 选 Vercel 的原因。它替代不了可复制命令、项目名、冒烟测试和「别部署到这里」的警告。
· XingAI Invest AI
为何 V1 路由改成 OpenAI 优先（以及下一步）
早期 V1 按 Ollama → Gemini → OpenAI 试。想法：能不用云就不用。
· XingAI Invest AI
把 LLM 输出当缓存行（规划中）：推理归 worker
本文记录已接受的决策，不是已在生产跑通的能力。与 CQRS 市场缓存同一故事：衍生数据应只有一个写入方。
· XingAI Invest AI
AI 金融产品上的五层「非投资建议」
Invest AI 展示 BUY / HOLD / SELL 风格信号与置信度。在许多法域，看起来像个性化投资建议的东西，若不清楚「我们是什么 / 不是什么」，可能把你拖进监管范畴。
· XingAI Invest AI
限制免费 AI 调用，又不拖慢开发
从 SQLite 读仪表盘很便宜，可不限。没有限额时，一个忘关的标签页、一个好奇访客或爬虫，都能在察觉前把 OpenAI 账单推高。
· XingAI Invest AI
四套运行时、一个仓库：为何暂不用 Nx
Invest AI 不是单个应用，而是四个顶层包：
· XingAI Invest AI
CQRS + SQLite：一个写入方，多个读取方
市场仪表盘要新数据；上游 API 要少调用；用户要首屏 <200ms。
· XingAI Invest AI
零成本托管 AI 副业：Invest AI V1 为何选 Fly.io
Invest AI V1 在本地跑通；前端已在 Vercel — 这部分人人都会。更难的是：
· XingAI Invest AI
投资决策的三层 AI 架构
多数 AI 投资工具：把市场数据倒进一个 LLM，拿一个答案。简单，也错。
· Invest AI · `stock-ai-monitor`
监控页不停刷新 — React Effect 循环复盘
朋友在测运维控制台 stock-ai-monitor — 用来启停、观察四套服务（前端、backend、行情 worker、Ollama）。点了 Start Worker 后反馈：
· XingAI Invest AI
MCP 分阶段上线：从仪表盘到自动交易
理想图是 AI 决策引擎 → MCP 网关 → 金融/新闻/日历/组合/券商五个服务。别这么干。
· XingAI Invest AI
混合 LLM 管道：Gemini 筛，OpenAI 决策
V1 是 Ollama → Gemini → OpenAI，谁先响谁赢 — 韧但三个模型干同一件事、吃同一份输入，像雇三个厨师做同一道菜。