Long Yang 主導 Intuit 的 agentic AI 轉型,並獨立架構了四個生產級多智能體系統——交易、市場情報、影片生產、家庭財務——外加連接它們的協議,每一個都為應對非確定性下的可靠性而設計,而不只是一個展示用的demo。
誰都能搭一個展示效果不錯的agent——難的是模型周圍的一切。Long 把evals當作上線的把關機制,把context當作頭等工程問題,對成本的態度和對正確性的態度一樣認真。
在 Intuit 最早一批把 AI agent 真正推進生產環境的工程師之一——如今全面主導這條線:MCP、多智能體架構,以及 looping engineering——讓 agent 自己閉合回饋迴路,而不是靠人工反覆改prompt。
Kafka、Snowflake、FastAPI、pgvector——在「AI工程師」這個頭銜出現之前,已經有十年端到端掌控分散式系統的經驗。Agentic AI 是同一套紀律用在一個更難的問題上:非確定性下的規模化可靠性。
在 Intuit 帶領並指導一支工程團隊,為編排、可觀測性、當機恢復模式訂定技術方向——這套方向被整個 GTMT 的 AI 路線圖採用,而不只是他自己團隊的工作。
獨立架構、獨立開發、跑在生產環境——利用晚上和週末時間,與上面的全職工作並行。每一個都是為了扛住一次錯誤決策而設計,而不只是為了做出好決策。
一個五角色 agent 迴圈——分析師、交易員、挑戰者、評估者、覆盤者——用真實資金在即時行情上交易。
難點在於:硬性風控寫在模型改不了的程式碼裡,還有一個自我提升迴圈——同一個錯誤反覆出現之後,會從一條教訓升級成寫死在程式碼裡的硬性攔截。
閱讀完整案例 →一個財務agent,讓一個家庭對自己的錢真正有規劃能力——預算、淨資產、現金流預測、異常偵測——在任意Plaid支援的銀行資料上無人值守運作。
難點在於:把雜亂的真實交易資料變成一個家庭每天都能信任的數字,而且沒有人在旁邊替它把關。
閱讀完整案例 →一個ReAct編排器,調度五個可替換的市場情報專家——採集、富化、新穎度、評估、訊號——運作在Trader Joe今天就在讀取的同一條生產流水線之上。
難點在於:原地重構一條正在生產環境運作的流水線——每個專家都先以行為完全一致的封裝形式上線,經過一致性測試驗證,然後才允許編排邏輯真正改變運作方式。
閱讀完整案例 →40個模組,一個GPU編排器,兩套生產模式:熱門新聞走全自主流水線;而涉及私人情感的內容,系統反過來——由AI即時用語音採訪一個家庭,把他們自己故事裡的空白問出來。
難點在於:一個採訪agent要向一個家庭問出恰到好處的問題——問題必須紮根於他們真實照片時間線裡的空白,絕不能憑空編一段記憶——外加一個自研的LLM路由和從零搭建的MCP工具伺服器,撐起底下另外40個模組。
閱讀完整案例 →四個獨立系統,各自都能單獨成立。Wall Street 是讓它們可選地交換資料、互相諮詢的協議——是幾個各自獨立、歸屬不同的系統之間的一份真實契約,而不只是圖上的一個樞紐節點,每條連線都是可選項,哪個對端離線,其餘系統照常運作,設計如初。
從零架構了 Intuit 的agentic平台——多智能體LangGraph編排、自研的Agent Service、把資料流水線暴露為LLM一級工具的MCP伺服器。在此之上搭建的端到端測試系統,把數天的人工QA變成幾分鐘的自主執行。
主導 Intuit Go-to-Market 資料平台從傳統 ETL 向 AI 原生 agentic 架構的轉型。架構了團隊的agentic平台——多智能體LangGraph編排、自研的Agent Service,以及把資料流水線暴露為LLM一級工具的MCP伺服器。搭建了一套多智能體端到端測試系統,把數天的人工QA變成幾分鐘的自主執行。
把舊有基礎設施遷移到 AWS CDK 和 CloudFormation。用檢索增強生成(RAG)搭建了一套AI驅動的CI/CD流水線,大幅縮短流水線故障排查時間。
主導面向新一代網路銀行的關鍵資訊報表系統設計。組建並管理一支7人以上的開發團隊。
設計了 Chassis-View——業界首個圖形化網路設備管理系統。主導從單體架構向微服務架構的遷移。
Long 自2015年起在矽谷從事軟體工程——基礎設施、資料平台,如今是agentic AI。除了 Intuit、上面四個系統,以及連接它們的協議之外,他還在低調孵化一個不相關的消費級專案 Game On——另一種賭注,按自己的節奏推進。
他堅信,審慎打造的AI會讓世界切實變得更好——更有效率、更有創造力、更有溫度。
無論你是獵頭、投資人,還是對上面某個專案感興趣——最快的方式是下載履歷或直接寄信。角落裡的聊天助手也能直接回答大部分問題。