·tian
LLM 系统的基于属性的测试：即便输出多变也需遵循的不变量
评估数据集告诉你你的 LLM 是否通过了一组固定的示例。而基于属性的测试则告诉你它是否在整个输入空间内都遵守契约。本文将介绍如何将其应用于非确定性系统。
llm
testing
engineering
ai
·tian
80% 难题：为什么 AI 编程智能体陷入停滞以及如何突破
AI 编程智能体生成代码的速度很快 —— 但采用它们的团队发现 Review 时间延长了 91%，PR 体积增大了 154%。本文将揭示高质量交付团队与溺死在 AI 生成复杂性中的团队之间的本质区别。
ai-agents
coding-agents
developer-tools
llm
+1·tian
Agentic 工程模式：While 循环只是最简单的部分
每一个生产级 Agent 都运行着相同的平凡循环。真正重要的模式是围绕它构建的——提示词链式调用、路由、反思，以及防止每周产生 47,000 美元账单的上下文管理规范。
agents
engineering
production
patterns
·tian
代理工程：构建你自己的软件宝可梦大军
一个人用自主 AI 代理替换了一个 15 人的工程团队。这里有经营 AI 原生软件公司背后的宝贵原则、惨痛教训和实用配置。
ai-agents
engineering
productivity
context-engineering
·tian
在生产环境中真正奏效的智能体工程模式
将那些真正用 AI 智能体交付产品的团队，与那些只停留在展示看似令人印象深刻的输出的团队区分开来的因素是：将 TDD 作为一种控制机制，将紧急停止开关置于推理路径之外，以及为什么代码健康是先决条件而非副产品。
ai-agents
engineering
tdd
multi-agent
·tian
构建高效AI智能体：真正能在生产环境落地的架构模式
大多数AI智能体项目失败，并非因为模型能力不足，而是因为工程师将架构过度复杂化。本文介绍真正有效的智能体构建方法。
ai
agents
llm
engineering
·tian
《观止》（Showstopper!）：一部软件开发史诗的巡礼
G. Pascal Zachary的《观止》详细记录了Windows NT的开发过程，展现了软件工程师们在这一历史性项目中的智慧与挑战，深入分析了比尔·盖茨与大卫·卡特勒的关键角色与影响。
insider
software
engineering
Windows NT
+2·tian
Patrick McKenzie: 为何 Stripe 的工程质量如此之高？
为何 Stripe 的工程质量如此之高？答案：上桌玩牌要有足够的筹码；降低做正确事情的难度；有专门的人、工具、和流程来检查和提高质量；培养鼓励高质量、并且持续地主动地提高质量的文化。
management
engineering
quality
culture
显示第 37–44 篇，共 44 篇
上一页4 / 4