Page 132
12 articles大模型驱动的测试生成：利用 AI 发现软件中的 Bug，而不仅仅是编写代码
探讨大模型驱动的测试生成如何捕获手工编写的测试套件容易漏掉的 Bug。涵盖了测试判据问题、变异引导方法、混合架构以及保持构建确定性的 CI 集成模式。
LLM 作为通用协议翻译器：无人规划却悄然兴起的中间件模式
团队正在使用 LLM 作为运行时协议翻译器来桥接不兼容的 API 和遗留格式。本文介绍了使其安全的架构、使其危险的失效模式，以及判断何时真正适用的决策框架。
生产环境中的模型合并：用权重平均打造多任务专家
深入解析模型合并技术——权重平均、SLERP、任务算术、TIES 和 DARE——涵盖合并何时优于集成、常见故障模式，以及如何在生产环境中部署合并后的 LLM。
生产环境中的多模态 RAG：如何同时搜索图像、音频和文本
多模态 RAG 实战指南：涵盖跨模态嵌入对齐、跨模态重排序策略、成本与延迟的权衡，以及仅在生产规模下才会出现的失效模式。
值班负担的转移：AI 功能如何打破你的事故响应手册
AI 功能引入了传统监控无法检测的故障模式——静默退化、服务商侧变更、提示词注入。本文是针对非确定性系统重建值班实践的实用指南。
LLM 流水线中的 PII：那些你不知道直到为时已晚的数据泄漏
个人数据是如何悄无声息地通过提示模板、上下文窗口、可观测性工具和 RAG 流水线泄漏的——以及真正能阻止这种泄漏的工程模式。
合理补全陷阱：为什么代码智能体会生成看似正确实则错误的代码
代码智能体生成的代码能够编译、通过Lint检查、看起来正确，但却在悄无声息地做着错误的事。这里揭示了训练目标为何从根本上导致这一问题，数据说明了什么，以及如何构建真正能发现问题的验证循环。
提示注入攻击面映射：在攻击者之前找到每一个攻击向量
一份实践者方法论：枚举每一个到达 LLM 提示的外部数据源，对每个注入面进行风险评分，并在不破坏模型推理能力的前提下应用正确的净化模式。
LLM 系统的基于属性的测试：即便输出多变也需遵循的不变量
评估数据集告诉你你的 LLM 是否通过了一组固定的示例。而基于属性的测试则告诉你它是否在整个输入空间内都遵守契约。本文将介绍如何将其应用于非确定性系统。
供应商锁定深度分析：导致更换 LLM 供应商变成 6 个月工程项目的七个耦合点
从提示词语法、工具调用 Schema 到嵌入空间和计费模型，这七个隐藏的耦合点解释了为什么更换 LLM 供应商需要数月而非数天。本文提供了一个实用的审计框架，帮助你主动管理锁定风险。
并发智能体系统中的竞态条件：那些看起来像幻觉的 Bug
并行子智能体会以一种看起来完全像模型幻觉的方式静默地损坏共享状态。以下是生产环境智能体系统中读-改-写竞态的工作原理、哪些分布式系统原语能解决它们，以及区分并发 bug 与真正模型故障的检测手段。
合并再调用：无需降低用户体验即可削减成本的 LLM 请求批处理模式
请求合并是一种分层架构——飞行中去重、精确缓存和语义批处理——可在不降低用户体验的情况下将 LLM 推理成本降低 40–60%。本文介绍如何实现以及在哪些地方会遇到问题。
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。
