Page 61
12 articlesAI 功能下线指南：如何在不破坏用户信任的情况下停止 LLM 功能
面向工程师和产品经理的实用指南，介绍如何干净地停用基于 LLM 的功能 —— 涵盖数据生命周期拆解、行为迁移测试、用户信任动态以及沟通策略。
AI 驱动功能的“完工”定义：工程化永恒的 Beta 测试
AI 驱动的功能永远不会进入一个稳定的“完工”状态——模型漂移、现实漂移和预期漂移创造了持续的迭代压力。本文介绍了工程和治理基础设施，如何让“稳定但不断演进”的状态显得更像是高质量的表现，而非未完成。
AI 生成代码的维护陷阱：团队在六个月后才发现的真相
采用编程智能体的团队在第一到三个月会看到显著的效率提升。到第十二个月，许多团队发现自己在不理解自身系统的情况下已无法交付功能。这就是失败的规律——以及如何避免它。
AI基础设施碳核算：你的团队尚未衡量的可持续发展成本
AI推理现在占全球排放量的2.5–3.7%，且每年增长15%。本文介绍如何衡量你的团队的贡献，以及为何这将成为合规问题，无论你是否提前规划。
为生产环境选择向量数据库：基准测试不会告诉你的事
基准测试排行榜衡量的是错误的指标。这里有一套评估框架，能真正预测你的向量数据库是否能在生产环境中经受住考验。
AI 轮值：当你的系统在“思考”时，该针对什么发告警
如何为非确定性 AI 系统设计告警，AI 事件与传统故障的区别，以及在凌晨 2 点能真正帮到轮值工程师的 Runbook 结构。
当每个人都拥有 AI 编程助手：那些无人提醒你的团队动态
当团队中的每位工程师都拥有 AI 编程助手时，个人生产力的提升可能会悄然破坏集体代码所有权，加速知识孤岛的形成，并瓦解代码审查文化 —— 本文将探讨应对策略。
AI 产品指标陷阱：当参与度看起来像价值却并非如此
团队如何在追踪会话数量和完成率的同时，错过了真正能预测价值的指标——以及为何 AI 功能上线后头 30 天的数据几乎总是具有误导性。
SRE 日志分析中的 AI：真正行之有效的分层架构
对流式日志进行实时前沿模型分析在成本和延迟上都是不可行的。本文介绍了一种在生产环境中真正有效的分层方法——通过快速异常检测来触发有选择性的 LLM 调用。
AI 接班人计划：当了解提示词的团队离开时会发生什么
当编写你的系统提示词的工程师离职时，每个措辞背后的推理过程也随之而去。以下是如何构建能够应对人员变动的 AI 系统的方法。
AI 用户调研：在编写第一个 Prompt 之前，用户真正需要的是什么
大多数 AI 功能之所以失败，并非因为技术不行，而是因为团队只是询问用户想要什么，而不是观察他们实际在做什么。本文将介绍你如何在开发之前进行用户调研，从而获得可靠的行为信号。
对齐税：衡量交付安全 AI 的真实成本
你在生产级 AI 系统中添加的每一层安全措施，都会在延迟、Token 和用户摩擦方面产生可衡量的成本。本文将介绍如何量化这些成本并做出有原则的权衡。
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。
