Long Yang 主导 Intuit 的 agentic AI 转型,并独立架构了四个生产级多智能体系统——交易、市场情报、视频生产、家庭财务——外加连接它们的协议,每一个都为应对非确定性下的可靠性而设计,而不只是一个演示。
谁都能搭一个演示效果不错的agent——难的是模型周围的一切。Long 把evals当作上线关卡,把上下文当作头等工程问题,对成本的态度和对正确性的态度一样认真。
在 Intuit 最早一批把 AI agent 真正推进生产环境的工程师之一——如今全面主导这条线:MCP、多智能体架构,以及 looping engineering——让 agent 自己闭合反馈回路,而不是靠人工反复改prompt。
Kafka、Snowflake、FastAPI、pgvector——在"AI工程师"这个头衔出现之前,已经有十年端到端掌控分布式系统的经验。Agentic AI 是同一套纪律用在一个更难的问题上:非确定性下的规模化可靠性。
在 Intuit 带领并指导一支工程团队,为编排、可观测性、崩溃恢复模式制定技术方向——这套方向被整个 GTMT 的 AI 路线图采纳,而不只是他自己团队的工作。
独立架构、独立开发、跑在生产环境——利用晚上和周末时间,与上面的全职工作并行。每一个都是为了扛住一次错误决策而设计,而不只是为了做出好决策。
一个五角色 agent 循环——分析师、交易员、挑战者、评估者、复盘者——用真实资金在实时行情上交易。
难点在于:硬性风控写在模型改不了的代码里,还有一个自我提升循环——同一个错误反复出现之后,会从一条教训升级成写死在代码里的硬性拦截。
阅读完整案例 →一个财务agent,让一个家庭对自己的钱真正有规划能力——预算、净资产、现金流预测、异常检测——在任意Plaid支持的银行数据上无人值守运行。
难点在于:把杂乱的真实交易数据变成一个家庭每天都能信任的数字,而且没有人在旁边替它把关。
阅读完整案例 →一个ReAct编排器,调度五个可替换的市场情报专家——采集、富化、新颖度、评估、信号——运行在Trader Joe今天就在读取的同一条生产流水线之上。
难点在于:原地重构一条正在生产环境运行的流水线——每个专家都先以行为完全一致的封装形式上线,经过一致性测试验证,然后才允许编排逻辑真正改变运行方式。
阅读完整案例 →40个模块,一个GPU编排器,两套生产模式:热点新闻走全自主流水线;而涉及私人情感的内容,系统反过来——由AI实时用语音采访一个家庭,把他们自己故事里的空白问出来。
难点在于:一个采访agent要向一个家庭问出恰到好处的问题——问题必须扎根于他们真实照片时间线里的空白,绝不能凭空编一段记忆——外加一个自研的LLM路由和从零搭建的MCP工具服务器,撑起底下另外40个模块。
阅读完整案例 →四个独立系统,各自都能单独成立。Wall Street 是让它们可选地交换数据、互相咨询的协议——是几个各自独立、归属不同的系统之间的一份真实契约,而不只是图上的一个枢纽节点,每条连接都是可选项,哪个对端掉线,其余系统照常运行,设计如初。
从零架构了 Intuit 的agentic平台——多智能体LangGraph编排、自研的Agent Service、把数据流水线暴露为LLM一等工具的MCP服务器。在此之上搭建的端到端测试系统,把数天的人工QA变成几分钟的自主执行。
主导 Intuit Go-to-Market 数据平台从传统 ETL 向 AI 原生 agentic 架构的转型。架构了团队的agentic平台——多智能体LangGraph编排、自研的Agent Service,以及把数据流水线暴露为LLM一等工具的MCP服务器。搭建了一套多智能体端到端测试系统,把数天的人工QA变成几分钟的自主执行。
把遗留基础设施迁移到 AWS CDK 和 CloudFormation。用检索增强生成(RAG)搭建了一套AI驱动的CI/CD流水线,大幅缩短流水线故障排查时间。
主导面向新一代网上银行的关键信息报表系统设计。组建并管理一支7人以上的开发团队。
设计了 Chassis-View——业界首个图形化网络设备管理系统。主导从单体架构向微服务架构的迁移。
Long 自2015年起在硅谷从事软件工程——基础设施、数据平台,如今是agentic AI。除了 Intuit、上面四个系统,以及连接它们的协议之外,他还在低调孵化一个不相关的消费级项目 Game On——另一种赌注,按自己的节奏推进。
他坚信,审慎构建的AI会让世界切实变得更好——更高效、更有创造力、更有温度。
无论你是猎头、投资人,还是对上面某个项目感兴趣——最快的方式是下载简历或直接发邮件。角落里的聊天助手也能直接回答大部分问题。