Tian Pan
Software Engineer
向量存储访问控制：大多数 RAG 团队忽略的行级安全问题
如果在查询时没有强制执行数据块级授权，多租户 RAG 系统会默默地提供错误的文档。本文将探讨为什么检索后过滤只是“安全剧场”，并介绍真正有效的架构模式。
当你的智能体框架成为 Bug 时
高级智能体框架虽然能加速早期原型开发，但却隐藏了会在生产环境中暴露的失败模式——不透明的重试放大、不可见的 Token 成本，以及需要阅读框架源码才能解决的调试困境。本文将探讨如何识别框架何时成为瓶颈，以及如何在不进行全面重构的情况下进行迁移。
生产环境中的零样本与少样本：示例何时有用，何时有害
关于何时使用零样本与少样本提示的实证分析——以及为什么大规模静态示例往往适得其反。
Agent 集群可观测性：在千并发 Agent 运行中监控而不陷入仪表盘盲区
单个 agent 运行的 span 树在集群规模下会失效。以下是在运行数百个并发 agent 时真正有效的集群级信号、采样策略和行为指纹技术。
Agent 身份与最小权限授权：你的 AI 团队正在忽视的安全隐患
当你的 AI Agent 调用内部 API 时，它呈现的是谁的身份？大多数团队给 Agent 一个宽泛的服务账户令牌就了事了。本文解释为什么这是一个安全隐患，以及生产级 Agent 授权实际上应该是什么样子。
智能体加载状态难题：为 45 秒的 UX 深渊进行设计
用户在 10 秒后就会放弃沉默的 UI，但现代智能体运行时间通常在 30 到 120 秒之间。这个差距是一个设计空间，目前大多数团队仍在使用加载动画来填充 —— 本文将介绍你应该构建的替代方案。
你的智能体追踪在撒谎：LLM 智能体的基数、采样与 Span 层级结构
分布式追踪最初是为每个请求约 10 个 Span 设计的。而单个智能体运行可能会产生数百个 Span，默认的 OpenTelemetry 配置会系统性地漏记工作负载。本文将介绍能够经受住生产环境智能体工作负载考验的 Span 层级、尾部采样策略以及 Payload 处理方式。
智能体任务复杂度估算：执行前先规划 Token 预算
LLM 智能体在不知道任务有多深之前就开始提交资源。本文介绍复杂度估算层——分层路由、预算追踪器注入、计划模板缓存和基于 DAG 的分解——它们能防止不可逆的早期错误，使智能体成本可预测。
当你的 AI Agent 从 Kafka 消费数据时：那些失效的设计假设
在消息队列上运行 AI Agent 会打破队列语义中固有的假设。本文将探讨当消费者具有随机性时，幂等性、顺序性和背压机制如何发生变化。
AI 辅助故障响应：LLM 如何在不取代 SRE 手册的情况下改变它
值班工作流中的 AI 副驾驶可以浮现关联信号、起草运行手册操作——但它们引入了传统 SRE 没有受过训练去识别的故障模式。这是一份将 LLM 整合进故障响应而不让故障更难处理的实践指南。
AI 能力棘轮：一个聪明功能如何拖垮整个产品
上线一个令人印象深刻的 AI 功能，会永久性地拉高用户对产品中每一个其他功能的预期——包括那些你根本没有动过的功能。本文解析其背后机制、真实案例，以及如何在支持队列被淹没前管理好这笔预期债务。
AI 依赖足迹：每个功能都在增加新的基础设施所有者
你上线的每一个 AI 功能都会引入新的基础设施依赖——向量数据库、嵌入模型、评估框架、GPU 推理层。问题不在于依赖本身，而在于没有人真正拥有它们。