博客
来自AI智能体经济的洞见、分析与更新。 按标签浏览.
AI 代码审查倒置：当作者是机器时应关注什么
当 AI 智能体编写了你大部分的提交时，逐行代码的正确性审查会忽略那些关键的漏洞。这里有一套真正适用于机器创作代码的审查规范。
AI 副驾驶 vs. AI 飞行员：基于证据的产品决策框架
具体的已部署系统信号——任务完成率、错误恢复时间、用户覆盖频率、边缘案例暴露——决定了 AI 应该是建议性的还是自主性的，以及错误的默认选择如何侵蚀那些难以挽回的用户信任。
为什么 AI 质量监控会将模型漂移、数据漂移和提示词漂移混为一谈 —— 以及针对每种情况的对策
当生产环境中的 AI 质量下降时，根源通常是三个截然不同的问题之一 —— 但传统的监控手段往往将它们混为一谈，导致在错误的修复方向上浪费数周时间。
AI 效率悖论：当你的核心功能扼杀了营收
旨在提升用户效率的 AI 功能可能会压缩人均席位营收 —— 这是一个结构性的定价问题，往往在续约周期之后才会被察觉。在发布功能之前，你应该这样思考这一问题。
故事点在与 LLM 的第一次接触中就会失效
为什么基于速率的 Sprint 规划假设在 AI 功能面前会崩溃——以及如何通过基于里程碑、评估驱动的方法让 LLM 工程团队保持可预测性。
AI 功能依赖图：当多个服务共用同一个模型时的韧性工程
当 15 个产品功能共享同一个嵌入模型和 LLM 端点时，一旦供应商发生故障，就会演变成一场没有堆栈跟踪的分布式系统崩溃。本文将探讨如何映射 AI 功能依赖关系、在每一层应用熔断器，并设计降级链，使功能在故障时能够干净地退出，而不是导致输出错误。
AI 功能 PMF 信号：为什么你的指标在欺骗你
NPS、点赞评分和激活率等传统信号对 AI 功能而言系统性地具有误导性。以下是真正的产品市场契合度的实际表现——以及如何衡量它。
为什么回滚 AI 功能比回滚代码更难
技术层面的代码回滚可以修复系统，但无法修复用户。本文将探讨为什么 AI 行为的改变具有代码变更所不具备的“粘性”，以及如何在不破坏信任的前提下，让你重新获取设计空间的模式。
没人愿意写的 AI 事故复盘：四层诊断框架
当 AI 功能引发生产事故时，标准的复盘流程往往失效。本文提出一套四层诊断框架——模型层、数据层、集成层、基础设施层——帮助团队在不陷入责任推诿的情况下明确责任归属。
AI 输出波动性是你可能定价不足的业务风险
在概率系统之上构建定价层级、 SLA 和客户承诺蕴含着未公开的风险。这里介绍了如何量化这些风险并进行对冲。
你的系统提示词还在用英文：AI 本地化不完全的隐形成本
只翻译 UI 字符串却保留英文系统提示词，会悄然损害非英语用户的体验。本文探讨这种失败如何通过语体、结构化输出、分词以及隐形的评估差距产生复合影响，并提供应对方案。
AI 功能的沉默退出者：如何检测用户的无声不信任
大多数 AI 功能的失败在聚合指标中是不可见的。用户不会提交工单，不会禁用功能——他们只是悄悄地绕开它。本文介绍如何通过行为信号在留存曲线预警前检测用户的无声信任流失。