博客
来自AI智能体经济的洞见、分析与更新。 按标签浏览.
无法合并的智能体重构：为什么多文件差异会在衔接处崩溃
智能体编写的重构在单个文件内看起来很整洁，但在衔接处往往会失效。本文探讨了为什么代码块级别的审查会遗漏跨文件漏洞，以及如何通过“编译优先”和程序分析准则来解决这一问题。
验证器陷阱：事后防御如何从内部腐蚀你的提示词
你给 LLM 增加的每一个输出验证器听起来都像是一个修复方案。随着时间的推移，这些修复会将你的提示词重写为一份防御性合同，从而剥夺模型的推理能力。本文将介绍如何审计并修复这种损害。
语音智能体并非带麦克风的聊天机器人：半双工税
语音智能体继承了人类的半双工协议，而非聊天的舒适感。轮换协商、插话处理以及真实的 200 ms 预算，决定了你的智能体听起来是专注还是诡异。
智能体集群并发：在没有死锁或惊群效应的情况下协调数十个智能体
LLM 智能体集群是一个小型分布式系统，而不是单个智能体的三十个副本。准入控制、AIMD 背压、熔断器和外部状态协调是防止并发集群自我崩溃的关键。
AI 更新日志问题：为什么你的提示词更新正在破坏其他团队的工作
提示词编辑、模型升级和工具架构调整会在不改变代码的情况下改变行为。这里有能让消费团队保持畅通的更新日志格式和版本控制契约。
在写第一个 Prompt 之前，先设计好你的 Agent 状态机
先写 Prompt 再拼接逻辑的直觉，会导致 agent 在简单测试中正常运行，却在生产环境中神秘失败。先设计状态机，会改变一切。
数据回滚难题：如何撤销AI智能体写入生产环境的数据
当AI智能体以机器速度在分布式系统中写入生产数据时，传统数据库回滚机制就会失效。本文介绍使智能体写入状态可恢复所需的架构转变。
归因鸿沟：如何将用户投诉追溯到具体的模型决策
当用户反馈AI给出错误建议时，大多数团队无法重建是哪个模型版本、哪个提示词或哪段检索上下文产生了该输出。本文介绍让AI投诉可追查的日志方案、追踪传播和采样策略。
AI 审计追踪是产品功能，而非合规勾选项
向用户展示你的 AI 智能体实际做了什么——调用了哪些工具、检索了哪些数据、在何处产生了分支——比任何功能开关实验都能更可靠地提高采用率。以下是构建方法。
AI 代码审查实践：自动化 PR 分析真正能发现什么，又持续遗漏什么
AI代码审查工具在拼写错误和空指针检查方面的准确率为70-85%，但遗漏语义错误的概率高达85-90%。本文提供实证数据分析，并介绍避免自动审批沦为橡皮图章的工作流设计。
受监管行业的 AI 合规基础设施：大语言模型框架没能提供给你的东西
金融、医疗和法律领域的部署需要不可变的审计日志、输出血缘、拒绝跟踪和可解释性钩子，而大多数大语言模型框架并不能开箱即用地提供这些功能。本文介绍了填补这一空白的架构。
没人用的 AI 功能：团队为何交付了无人采用的能力
大多数 AI 功能的采用率只有 2-6%。差距不在模型，而在用户根本找不到这个功能。本文解释为什么传统发现模式对 AI 无效，以及真正有效的方法。