Page 40
12 articles多维 Agent 二分查找：当回归出现在交互中时
当 Agent 的回归源于新模型与新工具描述之间的交互时，单轴回滚会产生明显的假阴性。解决方案是对模型、Prompt、工具目录、检索索引和采样配置的笛卡尔积进行二分查找——并以命名的版本信封作为回滚的最小单元。
多模态通道冲突：当模型在视觉与文本之间自我矛盾时
多模态模型会静默地将冲突的视觉和文本通道融合为自信的混合答案。本文探讨这种失效发生的场景、评估指标为何会漏掉它，以及如何构建一个冲突检测原语。
Prompt 卧推：对“快乐路径”之外的提示词进行压力测试
大多数 prompt 评估只针对“快乐路径”打分而忽略了长尾情况。构建一个涵盖长度、语域、语言和正式程度变化的压力矩阵，并根据性能下降曲线而非单一的准确率数值进行评分。
Prompt Cache 作为隐蔽信道：TTFT 探测泄露跨租户 Prompt
Prompt 缓存通过在租户间共享 KV 状态，可为缓存请求节省 80–90% 的开销——但也让首词延迟 (TTFT) 变成了一个侧信道，能以 92% 的准确率恢复其他客户的 Prompt。这是大多数团队尚未权衡过的成本与隔离之间的博弈。
提示词注入漏洞赏金：当“损坏”没有明确定义时，如何划定程序范围
标准的赏金准则在面对以“提供帮助”为行为规范的 AI 功能时会失效。一个有效的程序需要基于 CIA 的严重性评估标准、概率性复现条款、明确的工具范围清单、安全港协议下的指定测试租户，以及一个受修复 SLA 约束的 AI 团队。
量化质量悬崖：当 int4 通过中位数评估却在长尾场景失效时
int4 量化将推理成本减半，且几乎不影响中位数基准测试——却在悄无声息地破坏稀有 Token 补全、低资源语言和长文本推理能力。本文将探讨为什么这种“悬崖式”下降在通过审核的评估套件中是不可见的，以及如何在客户发现之前通过上线纪律让这种退化显现出来。
区域模型发布的“彩票”效应：当你的产品在不同大洲表现各异时
云服务商的模型发布在各区域间并不同步。你的单模型抽象层在不同大洲之间悄然分化，而评估测试集往往是最后才发现这种差异的地方。
当被遗忘权遇上微调：当删除止于快照
一旦客户数据进入损失函数，删除就不再是简单的行操作，而变成了系统重构。本文探讨血缘链、四种政策选择，以及现在已成为阻碍交付关键问题的采购条款。
采样漂移：当 Temperature 和 Top-P 变成团队内部的“口头传说”
生产环境中的采样配置往往堆积了大量未经记录的 Temperature、Top-P 和惩罚项数值。当初设置这些参数的理由早已模糊，但其影响却在不断叠加。本文介绍一种捕捉此类问题的工程规范。
静默工具截断：你的智能体在不知情下进行推理的默认限制
大多数智能体框架会在超过隐藏的字节或 Token 限制时静默裁剪工具输出。模型会基于一个它无法察觉是被截断后的片段进行推理，而这个 Bug 往往在几个月后才会因客户投诉而浮现。
需求文档、代码、测试皆出自一人：你正在悄然失去的独立性
当同一个模型编写需求文档、代码和测试时，“所有测试通过”不再是功能正常的证据 —— 它仅仅证明了模型在逻辑上是自洽的。
规范翻译税：当规范、提示词和评估发生漂移时
规范、提示词和评估是同一意图在不同媒介下的三种翻译。如果没有强制的一致性，它们就会产生漂移。一年后，没有人能分清某个回归到底是提示词的 Bug、规范的缺失，还是从第一天起就错误的评估。
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。
