Page 128
12 articles上下文工程：为什么你喂给 LLM 的内容比你提问的方式更重要
上下文工程是提示词工程无法解决的系统架构问题。本文将解释为什么投毒、干扰、混淆和冲突这四种失败模式解释了大多数生产环境中的 LLM 故障，以及如何通过工程化手段解决这些问题。
AI Agent 架构：生产环境中真正有效的方案
88% 的 AI Agent 项目从未进入生产阶段。失败的原因几乎从来不是模型本身，而是周边的架构。本文深入剖析了五层 Agent 技术栈、四层记忆模型、编排与路由的权衡，以及导致 94% 生产环境失败的七种模式。
生产环境中的 LLM 护栏：哪些方法真正奏效
一份关于 LLM 护栏的实用工程指南：涵盖分层输入/输出验证、误报累积的原因、串行与并行执行的权衡，以及如何在生产环境中监控重要指标。
生产级 AI Agent 的记忆架构
深入剖析生产级 AI Agent 的记忆架构——涵盖情景记忆、语义记忆和图记忆类型，探讨检索中的准确性/延迟权衡，以及目前所有框架都尚未解决的陈旧性问题。
AI 2041：通往十个未来的旅程
《AI 2041》呈现了十个由人工智能塑造的现实未来场景，将引人入胜的叙事与顶尖专家的分析见解相结合。这次探索揭示了近期人工智能发展将带来的深远社会影响。
微调 vs. 提示工程：生产级 LLM 的决策框架
一个实用的框架，帮助你决定何时对你的 LLM 进行微调或提示工程——涵盖成本权衡、LoRA/QLoRA、模型蒸馏，以及每个 AI 团队在投入训练前都应回答的六个诊断问题。
生产环境中的提示工程：真正重要的是什么
让演示令人印象深刻的提示技术，往往不是那些能让生产系统保持可靠的技术。以下是在大规模交付 LLM 功能时真正重要的事项。
多智能体 LLM 系统为何失败（以及如何构建不失败的系统）
多智能体 LLM 系统在生产环境中 41% 至 87% 的时间会发生故障——其中 79% 的故障源于协作和规范问题，而非模型质量。本文将介绍故障分类及其应对设计。
生产环境中的工具使用：真正有效的函数调用模式
大多数 LLM 代理失败的原因可追溯到工具 Schema 规范不足，而非模型能力问题。本实践指南涵盖了生产环境函数调用的 Schema 设计、错误处理、并行调用和安全性。
你的 AI 产品需要评估系统
大多数 AI 产品失败并非因为模型本身，而是因为缺乏评估系统。本文提供一份实用指南，教你如何构建评估系统，从单元测试到人工评审再到 A/B 测试——以及为什么尽早开始会带来复合收益。
如何写出激励人心的筹款呼吁
运用行之有效的心理学原则和实用策略，精心撰写引人注目、能激发行动的筹款呼吁。学习如何把握读者最初的关键时刻，确保你的信息能引起共鸣并促成捐赠。
快速改进 AI 产品背后不那么光鲜的工作
大多数 AI 团队在产品发布后会陷入停滞，并非因为能力不足，而是因为跳过了那些枯燥的基础工作：错误分析、定制工具、领域专家参与以及实验驱动的路线图。
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。
