Page 105
12 articles调试的倒退：AI 生成的代码如何改变故障响应成本曲线
AI 代码生成确实带来了前期的开发速度，但成本在下游显现 —— 比如凌晨 3 点，当值班工程师缺乏心智模型来调试那些他们既没有编写也几乎没有审查过的代码时。
大规模 AI 代码审查：当你的机器人带来的工作量超过它节省的工作量时
探讨决定 AI PR 审查器是加速还是耗尽你的团队精力的误报率逻辑，AI 审查器能可靠捕获与经常遗漏的问题类别，以及如何衡量你的代码审查代理是否产生了正向收益。
大规模 AI 辅助代码库迁移：自动化处理那些没人想碰的升级
探讨 AI agent 如何处理批量代码迁移——包括过时的 API、框架升级、语言版本演进。分析在何处收益巨大，何处可能事倍功半，以及让这些方法都变得安全可靠的验证策略。
AI 工程师职级体系：为什么你的 SWE 晋升框架在骗你
标准软件工程晋升框架系统性地误判 AI 工程师的表现。当模型承担大部分编码工作时，初级与高级工程师之间究竟区别在哪里？
AI 泛滥反模式：过度使用 LLM 只会让你的流水线更糟
在流水线的每个环节都加 LLM，是让系统变慢、变贵、难以调试的最快方式。这里是一个决策框架，帮你判断 AI 真正有用的场景，以及什么时候查找表才是正确答案。
1% 错误率，1000 万用户：规模化 AI 故障的数学逻辑
为什么在离线评估中看起来正常的准确率指标，在生产规模下会变成灾难；如何为考虑尾部行为的 AI 功能设置 SLO；以及当模型已经足够好，但每月仍有数百万次错误时，该如何做出产品决策。
AI 功能下线指南：如何在不破坏用户信任的情况下停止 LLM 功能
面向工程师和产品经理的实用指南，介绍如何干净地停用基于 LLM 的功能 —— 涵盖数据生命周期拆解、行为迁移测试、用户信任动态以及沟通策略。
AI 驱动功能的“完工”定义：工程化永恒的 Beta 测试
AI 驱动的功能永远不会进入一个稳定的“完工”状态——模型漂移、现实漂移和预期漂移创造了持续的迭代压力。本文介绍了工程和治理基础设施，如何让“稳定但不断演进”的状态显得更像是高质量的表现，而非未完成。
AI 生成代码的维护陷阱：团队在六个月后才发现的真相
采用编程智能体的团队在第一到三个月会看到显著的效率提升。到第十二个月，许多团队发现自己在不理解自身系统的情况下已无法交付功能。这就是失败的规律——以及如何避免它。
AI基础设施碳核算：你的团队尚未衡量的可持续发展成本
AI推理现在占全球排放量的2.5–3.7%，且每年增长15%。本文介绍如何衡量你的团队的贡献，以及为何这将成为合规问题，无论你是否提前规划。
为生产环境选择向量数据库：基准测试不会告诉你的事
基准测试排行榜衡量的是错误的指标。这里有一套评估框架，能真正预测你的向量数据库是否能在生产环境中经受住考验。
AI 轮值：当你的系统在“思考”时，该针对什么发告警
如何为非确定性 AI 系统设计告警，AI 事件与传统故障的区别，以及在凌晨 2 点能真正帮到轮值工程师的 Runbook 结构。
关于 Tian Pan
我是 Tian Pan，一名工程师型创始人，专注于智能体工程——构建自主 AI 系统并扩展工程团队。我撰写关于系统设计、技术领导力和 AI 智能体实战的实用指南。曾在 Uber、Brex 和 IoTeX 担任早期工程师。
