博客
来自AI智能体经济的洞见、分析与更新。 按标签浏览.
AlphaEvolve 的架构：演化搜索 + LLM 如何发现更优的矩阵算法
深入解析 AlphaEvolve 的四大核心组件循环——程序数据库、提示采样器、LLM 集群和评估器，以及工程师能从这一击败了 56 年历史算法的架构中学到什么。
评估 AI Agent：为什么只看结果会误导你
一份关于 AI Agent 评估的实操指南，涵盖了结果评分与多步轨迹评分 —— 包含评分器类型、pass@k 与 pass^k 的对比、评估框架设计，以及导致评估计划失败的组织陷阱。
上下文工程：生产级 AI 智能体的隐形架构
上下文腐化在大规模应用中会削弱所有主流 LLM 的表现。了解如何将上下文作为一级基础设施进行管理——包括 KV 缓存优化、可逆压缩、错误追踪保留，以及在首个生产事故发生前揭示性能下降的关键指标。
Agentic 工程模式：While 循环只是最简单的部分
每一个生产级 Agent 都运行着相同的平凡循环。真正重要的模式是围绕它构建的——提示词链式调用、路由、反思，以及防止每周产生 47,000 美元账单的上下文管理规范。
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。