Page 84
12 articlesAI 可读代码库：为什么你的代码的机器可读性现在至关重要
代码库结构是 AI 辅助开发速度的最大杠杆。了解帮助 LLM 驱动的代理在第一次尝试时就能正确导航和修改代码的重构模式、文件组织策略和上下文工程技术。
对齐税：当安全调优损害你的生产 LLM
RLHF 和安全对齐训练可导致 LLM 任务性能下降 15-17 个 F1 点，并在良性提示上产生高达 91% 的误拒率。本文提供一套度量方法和恢复模式——从零空间优化到结构化输出模式——用于在不牺牲安全性的前提下降低对齐税。
内部 AI 工具陷阱：为什么你公司的 AI 聊天机器人只有 12% 的周活跃用户
大多数内部 AI 聊天机器人的周活跃用户停留在 12%，因为它们被构建为独立的目的地，而非工作流的交汇点。本文介绍了真正推动采用的集成模式——IDE 插件、决策点上的 Slack 机器人、CLI 工具——以及区分虚荣仪表盘与真实使用的指标。
模型下线悬崖：当供应商淘汰你产品依赖的模型时会发生什么
强制模型迁移暴露了生产 AI 系统中的隐藏依赖。一份关于回归测试框架、金丝雀发布和构建模型可替换系统的实用指南。
Token 预算作为架构约束：在硬上限下设计可靠的 Agent
固定 token 预算迫使 agent 采用与无限预算原型根本不同的设计。学习预算分配策略、动态重新分配模式和受限优先架构，让生产环境的 agent 在硬上限下保持可靠。
工具爆炸问题：为什么你的智能体在 30 个工具时就会崩溃
随着工具数量增长，智能体的工具选择准确率从 96% 骤降至不到 15%。三种架构模式——Tool RAG、层级路由和 STRAP 整合模式——能让智能体在超过 30 个工具时依然保持可靠。
氛围编程有害论：当 AI 辅助的速度扼杀软件质量
AI 编码工具承诺速度，却带来理解债务——有经验的开发者使用 AI 后效率降低 19%，生成的代码问题多 1.7 倍，76% 的开发者会发布自己不完全理解的代码。
对非确定性 AI 功能进行 A/B 测试：为何你的实验框架假设了错误的零假设
标准 A/B 测试框架假设处理是确定性的，但 LLM 驱动的功能会引入处理内方差，从而破坏功效计算、膨胀样本量并产生不可靠的结果。本文为非确定性 AI 实验提供随机化、指标设计、贝叶斯方法和方差缩减的实践指南。
抽象反转问题：当 AI 框架迫使你在错误的层级思考
大多数 AI Agent 框架承诺提升速度，却带来了锁定。本文介绍抽象反转问题如何困住团队，为什么 AI 抽象比传统抽象泄漏得更快，以及生产团队最终收敛的架构模式。
智能体凭据轮换：尚未被映射到 AI 领域的 DevOps 难题
自主 AI 智能体在工具集成中积累了大量长期存在的密钥，而传统的轮换策略往往会在任务执行中途导致其中断。四种架构模式——即时置备、双重刷新、工具与运行时隔离以及连接器抽象——能够确保智能体在凭据生命周期内安全运行。
智能体死锁：当 AI 代理永远在等待彼此
多智能体 AI 系统在代理同时协调时，死锁率在 25% 到 95% 之间——这直接呼应了经典分布式系统的故障模式。实用的检测和预防模式，防止生产环境中的代理工作流冻结。
AI 辅助故障响应：为你的值班 Agent 提供运维手册
尽管 AI 投资创下纪录，但由于团队在部署 Agent 时缺乏运维手册或防护栅栏，运维负担反而有所增加。通过采用三层自治模型 —— 咨询型、审批型、条件型 —— 结合结构化运维手册和爆炸半径检查，可以将 AI Agent 转化为可靠的值班伙伴。
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。
