Page 130
12 articlesAI 技术债务：Sprint 回顾中从未出现的四个类别
提示词腐化、评估漂移、嵌入锁定和影子耦合——传统工程实践无法捕获的四种复合型 AI 技术债务，以及管理每种债务的实用策略。
Agent 流水线中的背压：当 AI 生成工作的速度快于执行速度
会产生子 Agent 和扇出工具调用的 Agent 流水线会创建无界工作队列，耗尽 token 预算并使生产系统崩溃。借鉴响应式系统中的背压模式——有界队列、层级化预算、熔断器和自适应并发——可以在账单到来之前阻止失控扩张。
棕地 AI：如何在不重写的情况下将 LLM 功能集成到遗留代码库
绿地 AI 演示在遭遇十年老单体系统时往往土崩瓦解。适配器模式、数据提取策略以及渐进式迁移路径，能让你在不进行大爆炸式重写的情况下，将 LLM 功能集成到遗留代码库中。
构建多语言 AI 产品：没人衡量的质量悬崖
大多数 AI 团队在发布全球产品时只进行英语评估和汇总满意度评分。本文将揭示他们遗漏的内容 —— 以及如何在你的用户发现之前找到质量悬崖。
AI Agent 工作负载的缓存层级：多数团队止步于第二层的五层架构
生产级 AI Agent 需要五个缓存层 —— 提示词、语义、工具结果、计划和会话状态 —— 每个层级都有独特的 TTL 和失效策略。大多数团队只做了前两层，白白流失了一半的节省空间。
能力激发：让大语言模型用好它已知道的一切
大多数提示优化聚焦于指令清晰度，但真正的瓶颈往往在于知识激活。从专家身份框架到顺序分解，五种激发技术能够解锁模型的潜在能力——这是单纯优化指令无法企及的。
能力激发 vs. 提示工程：让模型调用它已经掌握的知识
为什么大多数提示词优化都在解决错误的问题——以及结构化分解、类比启动和失败分类如何释放模型的潜在能力，而这些是单纯调整指令措辞永远无法触达的。
中心化 AI 平台陷阱：为什么共享 ML 团队会扼杀产品速度
建立共享 ML 基础设施团队听起来是正确的做法。但实践中，它往往成为交付 AI 功能的最大瓶颈。以下是问题所在，以及应该怎么做。
AI Agent 的混沌工程：在生产环境之前注入你的 Agent 将真正面对的故障
LLM API 调用在生产环境中有 1-5% 的失败率。对于每个任务需要进行数十次工具调用的多步骤 Agent，未经测试的故障模式会变成面向客户的 bug。本文提供故障注入类别、框架设计和基准测试结果的实用指南，帮助构建弹性 AI Agent。
多 Agent 决策的共识协议：当你的 Agent 意见不一致时会发生什么
LLM Agent 之间的多数投票在有争议的问题上几乎有 24% 的失败率。分布式系统原语——领导者选举、法定人数投票和 CRDT——为协调多 Agent 决策提供了经过实战检验的替代方案。
上下文窗口即 IDE：AI 编程智能体成败的关键在于它能看到什么
METR 研究发现，有经验的开发者在使用 AI 编程工具时反而慢了 19%——瓶颈在于上下文检索，而非模型能力。检索质量、项目记忆文件和即时上下文模式决定了 AI 编程智能体究竟是提升还是拖累生产力。
AI 系统的康威定律：你的组织架构图就是你的 Agent 架构
为什么多 Agent AI 系统映射的是组织架构图而非技术架构图——以及那些防止 Agent 边界继承团队功能障碍的组织模式（嵌入式 AI 工程师、共享评估基础设施、Prompt 审查实践）。
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。
