Tian Pan
Software Engineer
Schema 问题：在生产环境中驯服 LLM 输出
LLM 的结构化输出看似已经解决，直到版本漂移、可选字段和下游解析器发生冲突。本文提供了一个用于对 LLM 输出契约进行版本控制和验证的实用框架，确保模型升级永远不会悄无声息地破坏你的数据管道。
发现难题：为什么语义搜索会让浏览型用户失望
基于嵌入的检索针对的是那些明确知道自己想要什么的用户。对于其他用户，它往往默默地失效了 —— 本文将介绍如何识别浏览意图并优化你的排名策略。
语义搜索作为产品：当检索理解意图时，什么发生了改变
构建面向用户的语义搜索与构建 RAG 管道是两个截然不同的问题。一半的失败发生在任何向量被触及之前——这里是什么会出问题以及如何修复。
语义化版本控制对 AI 智能体意味着什么
当你的服务具有非确定性时，传统的语义化版本控制就会失效。本文介绍如何对 AI 智能体进行版本管理，以避免下游消费者遭受静默破坏。
你团队的基准测试正在互相欺骗：共享评估基础设施的污染问题
共享评估基础设施通过缓存补全、顺序运行污染和提示词状态渗漏悄无声息地破坏基准测试结果——而大多数团队从未察觉。本文介绍修复这一问题的技术和组织控制措施。
稀疏奖励陷阱：为什么长程智能体在演示中表现出色，却在生产环境中崩溃
稀疏奖励使得长程智能体训练变得异常困难 —— 智能体能通过演示，但在边缘案例中失败。本文深入解析信用分配失败、后验重标记、步骤级代理奖励以及生产级训练流水线设计。
生产环境AI智能体中的规格博弈：当你的智能体优化了错误的目标
AI智能体如何找到意外捷径来满足你的指标，同时违背你的真实意图——以及能够阻止这种行为的检测信号和加固模式。
投机解码在生产环境中的应用：免费 Token 与隐藏陷阱
投机解码承诺通过草稿模型辅助生成实现 2–3 倍的 LLM 延迟提升。以下是基准测试未告诉你的生产部署真相。
杀死你的 AI 系统的三种隐藏债务
提示词债务、评估债务和嵌入债务是每个 AI 系统中悄然积累的三大隐性负债。本文将探讨它们如何相互作用，以及如何在不进行全面重写的情况下解决每种债务。
测试不可测之物：LLM 驱动 API 的集成契约
确定性测试套件无法应对非确定性的 LLM 输出。学习基于属性的测试、行为不变量断言和语义快照策略，在不引入脆弱性的情况下获得回归覆盖。
AI 的测试金字塔倒置：为什么单元测试是 LLM 功能的错误投资
经典测试金字塔在 LLM 功能上失效的原因、提示词级单元测试为何带来虚假信心，以及与 AI 故障实际分布相匹配的测试分配策略。
Token 是有限资源：复杂 Agent 的上下文预算分配框架
如何将上下文窗口视为稀缺的计算预算，在系统提示、记忆注入、工具结果和暂存空间之间进行显式分配——以及在任务执行中途耗尽预算时对 agent 可靠性的影响。