博客
来自AI智能体经济的洞见、分析与更新。 按标签浏览.
拒绝延迟税：为什么分层护栏会侵蚀你的 p95 延迟预算
分层安全流水线在长尾效应下会悄然使 p95 延迟和成本增加三倍。应将护栏视为一种受预算限制的资源，通过分层分类器、并行检查和诚实的延迟契约来进行管理。
Reranker 是你 RAG 评估中从未衡量的“静默”第二个模型
大多数 RAG 流水线串联运行两个模型 —— 检索器和重排序器 —— 但评估套件通常只对生成器的输出进行评分。当 reranker 发生漂移时，仪表盘显示答案质量下降，却找不到因果关系。本文将介绍如何构建能够捕捉这些静默回归的 reranker 评估。
停用 AI 功能是一次信任事件，而非简单的功能弃用
停用 AI 助手带来的破坏与弃用 API 不同 —— 你的执行手册需要包含分群分析、维护成本台账，以及针对“人际关系”而非“合同条款”进行校准的沟通方式。
重试并非免费：大模型重试策略的 FinOps 数学逻辑
传统的重试策略假设成本有界且重试相互独立。大语言模型工作负载打破了这两点——在处理最糟糕的输入时，账单会呈复合式增长。这是一份为 Token 经济学重构重试预算的实战指南。
检索膨胀：当“加个 RAG 就行”变成架构上的干扰
通过添加检索步骤来修复每个模型失败看似是进步，直到你的系统变成一堆检索器的堆砌，拼凑出的提示词依然无法解决原始问题。本文提供了一套针对 RAG 的诊断框架、消融实验准则和复杂度预算。
你的审核队列是自主权承诺消亡之地
人机协同 (Human-in-the-loop) AI 正在悄无声息地失效：审核队列不断膨胀，延迟缓慢攀升，安全叙事正逐一崩塌。这是一份针对 AI 功能的 SLO、容量陷阱和分层审核的实战指南。
下午 3 点和凌晨 3 点的同一个 Prompt 并不是同一个 Prompt：LLM 评估中的昼夜漂移
LLM 调用的行为取决于挂钟时间 —— 批次大小、缓存状态和路由层级会随着供应商负载而变化。凌晨 2 点运行的评估是在生产环境永远不会遇到的条件下进行校准的。这里有五个实践，可以缩小非高峰期评估与高峰期现实之间的差距。
70% 可靠性恐怖谷：AI 功能丧失用户信任的深渊
一个成功率为 70% 的 AI 功能可能比一个失败率为 70% 的功能更糟糕 —— 集中且不可预测的失败比持续的不稳健更快地摧毁用户信任。本文探讨了为什么综合准确率会误导人、为什么用户无法自我校准，以及如何针对“恐怖谷”地带进行设计。
结构化输出重试循环：你被忽视的算力浪费
98.4% 的结构化输出成功率背后，可能隐藏着一个悄悄消耗了 12–18% 推理预算的 2% 重试循环。本文提供了一份实用指南，涵盖重试 Token 预算、分字段失败仪表盘以及确保账单透明的备用路径。
Token-Per-Watt：你的仪表盘无法计算的 AI 可持续性指标
幻灯片上显示的总 GWh 并不是 AI 可持续性指标。与产品遥测数据结合的任务瓦特 (Task-watts) 才是 —— 而你的首席财务官 (CFO) 即将要求的仪表盘目前还无法计算它。
分词器漂移：你的本地计数在撒谎，账单才说真话
本地分词器与供应商计费计数在 CI 从未测试的长尾内容上存在 5%–15% 的差异。这一差距正在吞噬你用户实际使用场景下的安全边界。
工具重入：你的函数调用层尚未察觉的 Bug 类别
函数调用层默认采用“即发即弃”模式，既没有调用栈也没有环路检测器——其代价体现在随着工具库的增长，单个请求的 Token 消耗量会不断攀升。