·tian
解释债务：为什么用户有权知道你的AI做了什么
团队花费数月优化AI输出质量，却在没有解释层的情况下上线——本文分析了这一选择所积累的代价，以及能够解决问题的轻量级归因模式、置信度信号和申诉机制。
insider
ai-engineering
explainability
ux
+2·tian
利益相关者解释层：构建监管机构和高管真正认可的 AI 透明度
大多数 AI 系统能向工程师解释自己。几乎没有系统能向监管机构、高管或法律团队解释自己。以下是弥合这一差距的架构层——以及为什么这从根本上是一个可观测性问题，而非可解释性问题。
ai-governance
explainability
compliance
llm
+1·tian
空洞解释问题：当模型的推理只是装饰而非证据
LLM 输出旁生成的解释通常与实际计算没有因果联系。为什么事后合理化比承认不确定性更快地削弱用户信任，以及那些不伪造可解释性的设计模式。
llm
ai-engineering
explainability
trust
+1·tian
可解释性陷阱：当 AI 解释成为一种负担
事后 AI 解释看起来具有权威性，但在结构上与模型计算脱节 —— 本文探讨这如何导致监管风险、误导用户，以及诚实的解释架构究竟是什么样的。
insider
ai-engineering
llm
explainability
+2