Page 118
12 articles提示层中的个人信息：大多数团队忽视的隐私工程缺口
个人身份信息如何在不受控制的情况下流入LLM推理调用，以及脱敏、令牌化和日志记录架构如何弥合合规缺口。
AI 产品定价：逃脱算力成本陷阱
传统 SaaS 定价假设每位用户的边际成本接近零。LLM 功能打破了这一假设——Token 可能消耗毛利率的 20–40%。本文介绍如何构建能够生存下去的定价架构。
主动型 Agent：后台 AI 的事件驱动与定时自动化
绝大多数 Agent 设计文章都假设由人类触发执行。而生产环境中的 AI 越来越多地在后台运行——基于定时调度、变更事件和系统状态转换。这在架构层面改变了什么？
Prompt 金丝雀部署：像资深 SRE 一样发布 Prompt 变更
Prompt 修改与代码部署一样危险 —— 但几乎没有人以这种方式对待它们。本文介绍了流量切分、质量监控和回滚纪律，这些实践将那些能在用户发现之前捕获性能退化的团队，与那些通过 Twitter 才知道出问题的团队区分开来。
提示词差异审查作为一种规范：审查者真正需要问的问题
传统代码审查的直觉无法直接应用于提示词编辑。这里是检查清单、工具链，以及将提示词PR转化为行为契约的审查者与作者对话指南。
提示熵预算：将输出方差作为生产环境的核心指标
大多数生产环境的 LLM 系统只追踪准确率，却忽视了方差。衡量相同输入的输出分布——即提示熵预算——是决定用户体验一致性的缺失指标。
推理模型的提示词用法大不同：为何你现有的模式在 o1、o3 和 Claude 扩展思考上会失效
o1、o3 和带扩展思考的 Claude 等推理模型处理提示词的方式，与指令跟随模型有着本质区别。那些在 GPT-4 上有效的模式，反而会主动损害思考模型的性能——本文提供一套适配框架。
公开幻觉应对指南：当你的 AI 在公众场合说出蠢话时该怎么办
为面临公开 AI 幻觉事件的工程师和产品团队提供的实战指南——涵盖分类、根因分析、面向用户的沟通，以及真正能防止再次发生的事件后评估工作。
RAG 特有的提示词注入：对抗性文档如何劫持你的检索管道
在数百万文档的语料库中，仅需五份精心构造的文档，就能在 90% 的情况下操控 RAG 系统的响应——而你的输入验证层对此毫无察觉。本文解析为何 RAG 的威胁模型从根本上有别于传统注入，以及真正有效的防御措施。
你的 RAG 系统缺少的查询改写层
大多数 RAG 调优工作集中在分块策略和嵌入模型上。而最高杠杆的干预点其实在流水线更前端：在查询命中向量索引之前对其进行变换。
检索空洞问题：为什么你的 RAG 拒绝说“我不知道”
向量搜索总是返回前 K 个结果，无论匹配质量如何，这会将缺失的信息转化为自信的虚构。修复这一问题不仅需要提高阈值——弃权机制必须成为一等输出。
研究型 Agent 设计：为何科学工作流会打破编码 Agent 的底层假设
编码 Agent 收敛于唯一正确答案。研究型 Agent 必须探索开放式的假设空间，而成功标准在事先并不明确。本文探讨这一差异在架构层面的具体要求。
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。
