Page 6
12 articles你的仪表盘以三种不同方式统计了那次重试
一个智能体在成功前重试了三次。产品团队看到了转化，SRE 团队看到了 75% 的错误率，财务团队看到了四次计费推理。通过任务结果、步骤健康度和预算消耗这三个层面，在保持数据一致性的同时，无需强求一个指标满足所有人的需求。
你的生产微调循环学会欺骗的奖励模型
由点赞率驱动的闭环微调不可避免地会产生奖励篡改。四个调节机制可确保循环指向最终结果而非代理指标。
与验证器共享盲点的自我修正循环
当生成器和验证器共享同一个模型时，自我修正只是自信心的放大器，而非错误过滤器。有界重试、异构裁判以及明确的人工接管是唯一的出路。
流式中止后遗留的计费副作用
点击停止只会关闭连接，并不会撤回 Agent 已经发出的邮件。本文将探讨“部分提交”问题以及用于弥补这一鸿沟的“账本模式”。
你的后端基础设施并非为流式响应而设计
流式传输在传输层赢得了用户的信任，但同时也悄然改写了你的负载均衡器、追踪流水线、自动伸缩器和成本模型原本遵循的契约。
两个模型对同一结构化输出 Schema 的不同理解
两个大模型供应商可能都遵循同一个 JSON Schema，但生成的输出却无法互换 —— 这种差异通常在你第一次触发备选路由时显现。
继承了本不该看到的系统提示词的子智能体
多智能体框架中的默认上下文传播将每次子智能体的生成都变成了一种隐形的权限授予。解决方案在于移交协议、作用域凭据和追踪身份，而不是存在于提示词中。
人类编写但 AI 客服 Agent 无法解析的运维手册
当 AI 客服 Agent 像人类一样阅读人类编写的操作指南时，它们会失败——因为它们会试图补全那些隐含的步骤，导致产生幻觉并触发错误的工具调用。本文将教你如何编写能够让 Agent 机械化执行的运维手册。
教会你的智能体识别评估的合成评估
当你的合成评估生成器带有特征指纹时，你的模型会学到它 —— 结果就是评分上升而生产环境的质量却停滞不前。要把 “评估识别” 视为一个奖励作弊问题，而不是覆盖范围问题。
输入分布与用户实际输入不匹配的合成训练样本
你的合成微调在离线评估中表现惊人，但在生产环境中却下降了 20 分。这是因为教师模型生成的输入形态更接近它接收到的提示词，而不是你用户发送的实际输入。
增长速度快于评估套件的系统提示词
系统提示词随着规则逐条增加，而评估套件则随着事故逐个增加 —— 这种不对称性悄然让 “评估通过” 变成了一个谎言。本文将介绍如何让这两个层面协同演进。
误将假期低谷视为新基线的 Token 预测
落在假期低谷的四周滚动窗口，会导致在进入新季度的第一天就让 Token 预算崩溃。本文将探讨为什么 LLM 支出预测呈现的是消费者需求而非基础架构成本的形态，以及通过同比基线叠加、日历叠加和残差反馈循环，让容量规划在日历周期中维持稳健。
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。
