Page 115
12 articles认知外包陷阱：当你的团队离开 AI 就无法工作
将所有知识工作都交给 AI 代理的工程团队会逐渐失去底层技能。本文介绍如何识别不健康的 AI 依赖，并设计刻意练习以保护人类能力。
AI 流水线的复合故障模式：局部成功远远不够
如果你的 AI 流水线每个阶段的成功率都是 95%，那么三步链的整体成功率只有 86%。本文解析从业者常常低估的概率乘法、让情况雪上加霜的相关性效应，以及防止生产环境中乘法式崩溃的架构模式。
上下文压缩改变了你的模型真正看到的内容
Token 剪枝和提示词压缩可以将 LLM 推理成本降低 3 到 10 倍，但它们会在无形中改变模型看到的内容。本文将深入分析其失败模式——如指代链丢失、约束条件遗漏、工具输出幻觉——并探讨如何安全地验证和分配压缩预算。
持续微调而不污染数据：生产流水线指南
一份关于从用户反馈中持续微调大语言模型的生产工程指南——涵盖数据路由架构、污染检测、灾难性遗忘预防以及自动化安全保护。
提示词契约测试：防止一个团队的修改破坏另一个团队的智能体
提示词是没有契约的共享 API —— 消费者驱动的测试规范能在跨团队的破坏性变更进入生产环境智能体之前将其捕获。
为 Agentic 写入路径构建数据质量门禁：输入是垃圾，输出是不可逆的操作
拥有写入权限工具的 Agent 会将上游的数据质量问题直接转化为现实世界的副作用。本文将介绍防止此类问题的验证架构。
凌晨三点调试 AI：LLM 驱动系统的故障响应指南
500 错误有堆栈跟踪，而糟糕的生成结果有概率分布。本文介绍如何在 AI 事故毁掉你的一周之前，对其进行分类、调试和事后复盘。
AI 应用中的依赖注入模式：编写经得起模型切换的代码
将业务逻辑直接与 OpenAI 或 Anthropic SDK 耦合，会使每次模型废弃都变成长达一个月的重构。本文将介绍如何将依赖注入应用于 AI 组件，从而让模型切换简化为配置更改。
AI 的依赖注入：在不损失测试保真度的情况下模拟模型调用
在测试中模拟 LLM 调用看起来是一个简洁的抽象，但幼稚的桩代码 (stub) 会悄然失效，变成关于生产环境行为的谎言。通过分层 Fixture 架构 —— 桩模拟、录制回放、实时调用 —— 加上刻意的接缝设计，可以在不为每一次 commit 消耗高昂成本的情况下恢复测试保真度。
记录概率性功能：模型行为与开发者引导之间缺失的一层
由 AI 驱动的功能没有稳定的输入输出契约可供记录。本文介绍了如何为每次表现都不同的功能编写 API 文档、变更日志和运维手册 —— 利用行为包络（behavioral envelopes）、版本控制纪律和可观测性作为动态文档。
嵌入漂移问题：语义搜索的静默退化
嵌入模型将语言冻结在训练时刻。随着新术语的涌现，你的语义搜索正在悄然失准——没有错误触发，没有告警响起。本文教你如何检测并应对这一问题。
Eval 异味目录：让你的 LLM 评估套件比没有评估还糟糕的反模式
一份关于毒害 LLM 评估套件的反模式实战指南 —— 包括数据污染、脆弱的断言、评估腐化、评委合谋、虚荣聚合指标 —— 以及在无需重写整个测试框架的情况下恢复有效信号的重构模式。
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。
