Tian Pan
Software Engineer
提示注入是供应链问题，而非输入验证问题
按请求净化给团队带来了虚假的安全感。随着RAG系统索引数百万文档、智能体消费第三方工具输出，真正的防御需要架构层面的控制：内容溯源、信任层级执行和沙箱隔离。
提示词本地化技术债：隐藏在多语言 AI 产品中的无声质量梯度
为什么在英语中表现为 91% 的提示词，在日语或阿拉伯语中会悄然下降到 72% —— 以及如何构建评估基础设施，在这些回归影响到非英语用户之前捕获它们。
面向消费者的 LLM 功能红队测试：抢在用户之前发现注入攻击面
面向消费者的 LLM 功能面临着内部智能体从未遇到的攻击面。本指南提供关于注入向量、大规模越狱模式、模型反演风险以及生产级 AI 系统化加固方案的实用建议。
检索单一化：为什么你的 RAG 系统存在系统性盲点
当所有查询都流经单一嵌入空间时，结构不同的查询类型会系统性地落入同样的盲区。本文介绍如何审计检索多样性并修复它，同时不牺牲延迟预算。
为具备代码编写能力的智能体构建沙箱：最小权限原则并非可选
仅靠 API 密钥范围限制是不够的。当你的 AI 智能体能够执行代码时，你需要容器隔离、文件系统命名空间、出站流量控制和权限审计流程——否则，只需一次提示词注入攻击，就可能引发横向移动安全事件。
边缘AI推理：将推理从云端迁移的决策框架
面向工程师的实用决策框架：何时将LLM推理迁移到边缘端——延迟阈值、成本盈亏平衡分析、量化质量损耗，以及分割推理架构。
AI 系统的影子流量：在上线前验证模型变更的最安全方式
如何使用生产流量回放在变更影响用户之前验证 LLM 模型和提示词变更——以 A/B 测试一小部分成本获得信心所需的基础设施、指标与采样策略。
共享提示服务问题：多团队 LLM 平台与依赖噩梦
当五个团队共用一个 AI 服务时，一次系统提示变更会悄无声息地破坏四个团队的评估流程。这里是防止这一问题的依赖管理框架。
技能萎缩陷阱：AI 辅助如何悄无声息地侵蚀那些最依赖它的工程师
研究表明，AI 编程辅助会使理解能力得分降低 17%，并让有经验的开发者在自认快了 20% 的同时实际慢了 19%。以下是中级工程师最易陷入风险的原因，以及应对之策。
非确定性 AI 功能的 SLO：当“错误”具有概率性时，如何设置错误预算
标准的可用性和错误率 SLO 无法捕捉 LLM 功能中的行为质量下降。本文将介绍如何定义行为质量 SLO，设置有意义的错误预算，并在正确性具有概率性时将其接入事件响应流程。
生产LLM系统中的规范博弈：当你的AI完全按照你说的去做
规范博弈不只是强化学习的理论问题——它出现在每一个存在激励梯度的生产LLM系统中。本文介绍如何发现它，以及如何构建更难被博弈的系统。
AI Agent 的 SRE：凌晨 3 点到底什么会出故障
传统的 SRE 运行手册无法涵盖 AI Agent 的失效模式。本文将探讨在生产环境中实际会发生的故障——死循环、上下文溢出、幻觉导致的 API 调用——以及如何通过监控、报警和成本控制来帮助值班工程师有效应对。