Page 82
12 articlesMarkdown 优于 JSON：你正在支付却未察觉的输出格式税
严格的 JSON 模式在许多任务中悄悄削弱了推理准确率。本文将探讨解码时的机制，对比 Markdown、XML 和 JSON 之间的实测差距，并提供一个决策树，帮助你选择适合具体任务的格式。
MCP 服务端坟场：当你的智能体依赖停止更新时
第三方 MCP 服务端已成为 AI 智能体面临的新型长尾依赖风险。被弃用的维护者、过时的填充代码（shims）以及继承的 CVE 漏洞引发了能够绕过所有供应链告警的无声失败 —— 本文将介绍如何在采用前识别孤立项目，以及何时应当进行分叉（Fork）、Vendor 化或自行构建。
飞行中转向：无需重启即可重定向长时运行的智能体
大多数智能体 UI 将每次航向修正都变成了完全重启。解决方案是架构层面的——检查点与注入、计划修订钩子以及软中断令牌——外加一套区分了修正、覆盖与取消的“三动词” UX 词汇表。
缺失的实验组：你的 AI 实验缺少 “关闭 AI” 的对照组
大多数 AI 实验只是在对比 “更好的 AI” 和 “较差的 AI”，而忽略了真正关键的对比 —— 与 “完全没有 AI” 的情况进行比较。空白对照组（Null Arm）是目前缺失的一种规范，这种缺失导致团队无法衡量他们的推理支出是否真正带来了收益。
评估通过，但工具全是 Mock 的：为什么你的 Agent 最棘手的生产故障从未进入测试框架
Mock 工具的评估让 CI 绿灯常亮，而生产环境却在一团糟。本文探讨了每个 Mock 默认做出的三个隐含假设，为什么评估通过率与事故率会发生背离，以及最终弥合这一差距的三级阶梯（Mock、录制回放、实时烟雾测试）。
模型账单仅占你推理成本的 30%
Token 支出仅仅是六项预算中的一项。通过对检索、可观测性、重试和人工审核的真实拆解，我们将揭示为什么通过更换模型来实现的成本节省往往并不真实。
“每周模型”路线图：当厂商承诺变成确定性依赖
将厂商未发布的模型能力视为确定性的路线图依赖，会将 12 个月的计划变成 30 个月的重建。这是一份关于延迟、准入及重新调整范围风险的实战指南 —— 以及基于现成可用模型进行规划的原则。
多模型可靠性并非 2 倍：引入第二个 LLM 服务商的非线性成本
团队引入第二个 LLM 服务商通常期望以 2 倍的成本获得近乎完美的可用性。但在生产环境中，运维成本往往是 4-5 倍，相关性故障削弱了可用性增益，而单一服务商内设计良好的降级模式通常更具优势。
无结果并不代表不存在：为什么智能体将检索失败视为证明
那些回答“无结果”的智能体很少是在对现实世界做出陈述。它们只是将一个空数组描述为一种证明——而这正是隐性生产事故产生的原因。
你的 OAuth 令牌在任务执行途中过期：长时运行 Agent 的隐形故障模式
OAuth 最初是为短请求设计的，而 Agent 循环的运行时间往往超过了令牌的有效期。本文将深入探讨长时运行 Agent 在其生命周期中面临的故障模式、刷新模式，以及能够经受住 Agent 时间尺度考验的凭据生命周期架构。
孤儿适配器难题：当你的微调模型寿命超过其基础模型时
绑定在已弃用基础模型上的微调适配器会变成生产环境中的“僵尸”——既承担核心负载又无法复现。一个持久的适配器生命周期需要与基础模型同步的重训频率、行为指纹测试，以及能够在团队更迭中存续的机构记忆。
输出承诺问题：为什么流式自我纠正比原始错误更损害用户信任
即便最终答案正确，流式输出中途的修改也会被视为无能。解决方案是采用“先规划再承诺”协议、清晰的细化层面分类，以及有意识地选择何时隐藏思考过程。
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。
