Page 106
12 articles当每个人都拥有 AI 编程助手：那些无人提醒你的团队动态
当团队中的每位工程师都拥有 AI 编程助手时，个人生产力的提升可能会悄然破坏集体代码所有权，加速知识孤岛的形成，并瓦解代码审查文化 —— 本文将探讨应对策略。
AI 产品指标陷阱：当参与度看起来像价值却并非如此
团队如何在追踪会话数量和完成率的同时，错过了真正能预测价值的指标——以及为何 AI 功能上线后头 30 天的数据几乎总是具有误导性。
SRE 日志分析中的 AI：真正行之有效的分层架构
对流式日志进行实时前沿模型分析在成本和延迟上都是不可行的。本文介绍了一种在生产环境中真正有效的分层方法——通过快速异常检测来触发有选择性的 LLM 调用。
AI 接班人计划：当了解提示词的团队离开时会发生什么
当编写你的系统提示词的工程师离职时，每个措辞背后的推理过程也随之而去。以下是如何构建能够应对人员变动的 AI 系统的方法。
AI 用户调研：在编写第一个 Prompt 之前，用户真正需要的是什么
大多数 AI 功能之所以失败，并非因为技术不行，而是因为团队只是询问用户想要什么，而不是观察他们实际在做什么。本文将介绍你如何在开发之前进行用户调研，从而获得可靠的行为信号。
对齐税：衡量交付安全 AI 的真实成本
你在生产级 AI 系统中添加的每一层安全措施，都会在延迟、Token 和用户摩擦方面产生可衡量的成本。本文将介绍如何量化这些成本并做出有原则的权衡。
环境 AI 架构：设计不会被用户关掉的常驻智能体
大多数环境 AI 功能在上线两周内就会被用户关掉——不是因为模型不好，而是因为打扰阈值设置错误。本文提供一套防止这种情况发生的架构与 UX 框架。
你的标注流水线才是 AI 产品的真正瓶颈
团队在反馈采集 UI 上投入大量精力，而下游的标注流水线 —— 架构版本管理、IAA 评分、队列优先级 —— 却无休止地滞后两个迭代。本文将告诉你如何解决这一问题。
标注人力工程：你的标注员就是生产基础设施
大多数 ML 团队把标注当作采购问题来对待，实际上这是一个基础设施问题。本文介绍如何用与生产系统同等的严谨度来运营标注工作。
评估基准真相中的标注者偏差：当你的标签系统性地将你引向歧途
探讨标注者的选择、人口统计学特征以及系统性错误模式是如何在训练开始前就破坏你的评估基准真相的，并介绍捕获这些问题的审计方法论。
非确定性服务的 API 契约：随机输出下的版本管理
传统 API 契约在封装 LLM 的服务中会失效。本文介绍如何对概率性系统进行版本管理、测试并维护向后兼容性。
AI 驱动端点的 API 设计：为不可预测性建立版本控制
当你升级 API 背后的 AI 模型时，虽然 JSON 架构保持不变，但语气、拒绝行为和推理风格都可能发生变化。本文介绍了快照固定、结构化输出、行为包络和阴影部署等模式，这些模式能够确保 AI 端点对调用者保持稳定。
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。
