我的原创博客：铁打的系统，流水的目标
保持联系，关注我获取更多内容
生产环境中的智能体不断发出对答案毫无影响的工具调用——烧掉 token、拖慢延迟、损害准确率。本文讲清楚填充式调用是如何从训练中长出来的、它真正的成本是多少，以及如何用反事实测量和调用预算把它从工作流里剔除出去。
当 LLM 输出感觉不对劲时，工程师会第一时间去调 temperature。这几乎从来都不是正确的做法。这里是真正能改变结果的、有据可查的调优顺序。
为什么默认的均匀采样在 Agent 工作负载中会失效，以及决定你的链路账单和故障平均修复时间 (MTTR) 的四个关键决策 —— 开始、结束、分层与保留。
AI 智能体在进行首次编辑前，60–80% 的 Token 预算都损耗在了读取操作上。通过任务类别路由、探索预算上限和“先规划后执行”门控机制可以减少这种浪费。
语义相似性并不遵循数据访问边界。本文将探讨 RAG 管道如何将敏感记录暴露给未经授权的用户，以及阻止这种行为的分层防御机制。
