博主用GLM 5.2等模型将外包经验整理成数据工程书籍

背景

在近期完成了一项耗时一个月、累计数万字的项目交接文档撰写工作后，作者回顾自己在项目组中的工作轨迹，惊讶于过往所承担任务的繁杂与体量。这种“废物利用”式的反思促使作者萌生了一个新想法：将分散在交接文档中的数据工程实践经验进行系统化梳理，重新编纂成一本关于数据工程实践的书。

与此同时，作者也借此机会测试了 GLM 5.2 模型的表现。尽管作者自谦该书内容较为粗糙、缺乏深度，更像是一部“流水账”，且目前的技术栈（如传统的 Data Platform）在行业趋势上已显过时——企业正转向湖仓一体架构，云厂商也在原生提供 AI+ 特性——但作者对 AI 转型背景下的数据治理（Data Governance）方向表现出浓厚兴趣，并计划在未来涉足 Data Agent 相关项目，因为真实业务场景中的 Corner Case（边缘案例/极端情况）极具实践价值。

核心内容

本文分享的核心在于作者如何利用 AI 工具链将过往的外包项目经验转化为结构化知识资产，并探讨了数据工程领域的最新趋势。

1. AI 辅助的内容生成工作流 作者并未手动撰写全书，而是构建了一套基于多模型协作的自动化工作流。具体使用的模型组合包括：

• glm-5.2
• deepseek-v4-pro
• mimo-v2.5-pro

此外，工作流中结合了多种自定义 Skills（技能/提示词模块），以完成从原始文档到书籍内容的转换与重构。作者提到花费了约 500 元人民币的 Token 费用，验证了该工作流的可行性与成本效益。

2. 数据工程实践的“流水账”式沉淀 书的内容主要基于作者过去几年在外包项目中积累的 Data Platform 建设经验。作者承认这些技术架构在当前看来已经过时，因为行业主流已转向“湖仓一体”（Lakehouse），且新一代云厂商提供了原生的 AI 增强特性。然而，这些经验作为基础素材，为后续更高级的 AI 数据治理实践提供了底层逻辑参考。

3. 对 Data Agent 与数据治理的前瞻 作者指出，Data Agent 不仅是工程技术的演进，更是数据治理的新范式。在 AI 转型的大背景下，数据治理面临着新的挑战和机遇。作者认为，理论之外，真实业务场景中的复杂情况（Corner Case）是检验 AI 落地效果的关键，因此计划通过后续项目深入实践这一方向。

关键要点

• 低成本知识资产化：通过消耗约 500 元 Token 成本，利用 AI 将数万字的交接文档转化为结构化的书籍内容，实现了个人经验的复用与沉淀。
• 多模型协同策略：采用 glm-5.2、deepseek-v4-pro 和 mimo-v2.5-pro 三个模型组合，配合自定义 Skills，展示了当前大模型在复杂文本生成与重构任务中的协作潜力。
• 技术栈的时效性认知：作者清醒地认识到传统 Data Platform 已逐渐被湖仓一体架构取代，云厂商正原生集成 AI 能力，体现了对行业趋势的敏锐洞察。
• AI 与数据治理的融合：提出 Data Agent 是数据工程的新方向，强调在 AI 转型中，数据治理的重要性不仅未减弱，反而因工程复杂性而提升。
• 实践重于理论：作者强调真实业务场景中的 Corner Case 是 AI 落地和数据治理的核心难点，主张通过实际项目来探索解决方案，而非仅停留在理论层面。

意义与影响

这一案例为技术人员提供了关于“个人知识管理”与“AI 工作流落地”的重要参考。它证明了利用大模型将非结构化、碎片化的工作记录（如交接文档）转化为结构化知识资产（如书籍、手册）是高效且可行的。

同时，作者对 Data Agent 和数据治理的关注，反映了行业从单纯的“数据平台建设”向“智能化数据治理”转型的趋势。在湖仓一体和原生 AI 云服务的背景下，如何管理数据、如何确保 AI 在复杂业务场景中的可靠性，将成为数据工程师和架构师的核心竞争力。该分享不仅是一次工具使用的展示，更是对未来数据工程发展方向的一种探索与预告。