博客
来自AI智能体经济的洞见、分析与更新。 按标签浏览.
首个Token在撒谎：为什么上下文加载——而非推理——才是AI功能延迟的真正瓶颈
AI功能的感知速度在模型生成第一个Token之前就已决定。上下文预热——预加载用户历史、预热嵌入缓存、投机性获取工具Schema——才是真正影响首Token时间的工程纪律。
Staging 环境的谎言：为什么预生产阶段对 AI 系统失效了
Staging 环境给了 AI 系统虚假的安全感。本文将探讨为什么它们在架构上误导了团队，并介绍真正有效的生产优先（production-first）架构。
过时的文档，肯定的错误答案：AI 帮助中心里隐藏的失效模式
当 RAG 系统检索到过时的上下文时，幻觉率会飙升 6 倍。如何将文档新鲜度视为一个工程问题——通过 TTL 过滤、时间重排序、过时评分以及在发布后保持 AI 帮助中心准确性的运营模型。
当 LLM 为自己批改作业：打破 AI 评估中的反馈循环
LLM 生成的评估集创建了一个反馈循环，导致模型偏见被编码为事实标准 (Ground Truth)。以下是打破该循环的污染信号、跨模型验证策略以及人工采样规范。
系统提示中的冲突指令：无人负责的隐性故障模式
系统提示通过拉取请求不断增长，积累相互冲突的指令，并以不可预测的行为漂移形式表现出来。本文介绍如何检测矛盾并构建能够经受变更的提示架构。
工具调用收敛：设计知道何时停止的智能体
在没有停止条件的情况下循环执行工具调用的智能体会白白消耗 token。本文探讨如何从工程角度判断信息何时已经充足。
双速组织：为什么 AI 团队与产品团队的时钟频率互不兼容
AI 模型实验需要数周，产品发布只需数天，而 Embedding 索引每月更新一次。这种时钟频率的不匹配正是 AI 功能长期处于测试阶段的原因 —— 本文将探讨如何解决这一问题。
向量维度税：嵌入维度如何悄然侵蚀你的预算
大多数团队从模型默认值中选取嵌入维度，而不衡量其成本。本文介绍维度如何影响存储、延迟和质量，以及如何有意识地进行权衡。
何时选择 LLM，何时选择简单启发式规则：四因素决策框架
四因素框架——信号质量、人类性能上限、数据可用性和可逆性——帮助工程团队判断 AI 真正创造价值的时机，以及何时简单的规则系统才是正确选择。
Agent 作为用户：当机器人成为你的主力用户时，产品分析为何失效
当 AI agent 成为你产品最重要的消费者时，会话漏斗开始说谎，参与度指标发生倒置，NPS 调研一无所获。本文讲解如何为 agent 消费者埋点，以及为什么你现有的分析仪表盘正在主动误导你。
智能体组合审计：如何在不损害团队自主性的前提下，将15个独立智能体整合为统一平台
当独立构建的AI智能体数量超出你的治理能力时，你需要的不是更多智能体——而是一次审计。以下是整合操作手册。
AI 数秒生成代码，团队却花数小时审查——这笔账根本不对
AI 编程工具让代码生成速度提升 55%，但高采用率团队的 PR 审查时间却增加了 91%。AI 编程工具真正的投资回报率取决于你如何处理验证开销——而大多数团队根本没有把这个算进去。