Page 126
12 articles再谈取舍：像狐狸一样思考，还是像刺猬一样专注？
通过刺猬理念，理解如何在创业中找到核心竞争力，明确热情、能力与经济引擎的交集，避免分散精力，实现长期价值。
构建多智能体研究系统：来自生产环境的设计模式
探讨多智能体研究系统的实际构建方式——包括行之有效的架构模式、生产环境中常见的失败模式，以及在控制成本和质量时所需的工程纪律。
治理 Agentic AI 系统：当你的 AI 具备行动能力时，会发生什么变化
当 AI Agent 能够调用 API、写入数据库并生成子 Agent 时，治理的核心从控制输出转向了控制行为。本文提供了一个实用的工程框架，涵盖授权、最小化足迹、提示注入防御以及结构化的人力监督。
智能体工程是一门学科，而非一种感觉
为什么大多数 AI 智能体在生产环境中会失败 —— 以及区分可靠系统与仅能在演示中运行系统的六个结构维度（意图、记忆、规划、控制流、权限、工具）。
从第一性原理设计智能体运行时
生产级智能体运行时并非简单的函数运行器 —— 它是一个执行基板。本文将从第一性原理出发，涵盖图执行模型、检查点、人机回环以及可观测性，教你如何正确设计一个智能体运行时。
为什么你的智能体应该编写代码，而不是 JSON
代码操作智能体 (Code-action agents) 让大语言模型 (LLM) 能够生成并运行 Python 而非 JSON —— 任务成功率提高 20%，LLM 往返次数减少 30%。本文将介绍它们的工作原理、局限性，以及如何在生产环境中安全地运行它们。
为什么你的 AI Agent 将大部分上下文窗口浪费在了工具上
你加载的每一个工具定义都是预先支付的 Token 税。在连接了 50 多个 MCP 工具的情况下，仅定义本身就在工作开始前消耗 130K Token。以下是破坏生产环境工具使用的三个瓶颈以及修复它们的模式。
为什么你的 AI Agent 应该编写代码而不是调用工具
与标准的工具调用模式相比，代码执行型 Agent 可以减少 98–99% 的 Token 消耗 —— 而这仅仅是个开始。本文将介绍该架构的工作原理、局限性以及适用场景。
为什么多智能体 AI 架构总是失败（以及你应该构建什么）
多智能体 AI 系统在生产环境中的失败率高达 41–87%。本文将探讨为什么并行智能体会导致错误累积、上下文碎片化以及难以调试，并介绍真正有效的更简单架构。
构建生成式 AI 平台：架构、权衡以及真正重要的核心组件
一份关于 LLM 周边基础设施层的实践指南，涵盖 RAG 流水线、模型网关、缓存策略、护栏和可观测性，以及何时应当真正引入这些组件。
12 因子 Agent：构建真正可交付 AI 系统的框架
大多数 AI Agent 项目都在质量达到 80% 时陷入停滞，从未真正发布。12 因子 Agent 框架记录了生产团队为构建可靠、可观测的 LLM 驱动系统而独立达成的共识原则。
致命三要素：为什么你的 AI Agent 距离数据泄露仅隔一封邮件
当 AI Agent 可以访问私有数据、处理不可信内容并与外部通信时，一封恶意邮件就足以导致数据泄露。本文将探讨这些攻击背后的架构模式以及如何防御它们。
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。
