Prompt 表面积问题：为什么增加一个工具绝不仅仅是增加一个工具
为 LLM Agent 增加的每一个新工具都会呈非线性地增加行为复杂度 —— 产生交互效应、评估盲点和安全漏洞，其增长速度远快于能力增益。本文将探讨如何在 Agent 的表面积超出你的控制范围之前对其进行审计。
智能体爆炸半径：在生产事故发生前界定最坏情况的影响范围
一个在生产环境中误触发的 AI 智能体，不只是失败——它会在权限范围内真实行动。本文介绍大多数团队跳过的上线前演练：对每个工具的最坏情况建模、按可逆性分类操作，并在第一次事故教会你边界在哪里之前，强制执行权限上限。
工具输出 Schema 设计：你的工具响应如何塑造智能体推理
糟糕的工具输出 schema 会导致智能体推理失败，表面上看像是模型问题。本文提供字段命名、可空性、冗余性、错误设计以及输出契约测试的实用指南。
无人测试的隐私边界：为什么“无状态”工具是 AI 时代的 IDOR
“无状态” AI 工具调用是如何通过共享缓存、向量库和记忆模块在租户之间悄悄泄露数据的 —— 以及如何在客户发现之前捕获这些问题的审计协议。
LLM 工具表面的契约测试：当供应商更改字段而你的智能体静默适应时
当供应商重命名工具响应字段时，你的智能体不会崩溃 —— 它会自行适应并交付一个质量下降的答案。为什么微服务契约测试必须迁移到智能体技术栈，以及如何进行配置。
用于多轮 Agent 评估的合成用户：当你的测试固件需要“反击”时
单轮评估往往会忽略那些关键的多轮失败模式。具备人格、耐心预算和放弃阈值的 LLM 驱动用户模拟器每晚可以运行数千次对话 —— 但前提是模拟器与生产环境之间的差距是经过校准的，而非臆断。
你的 AI 聊天记录即证据：法律保存指令下的 LLM 产品保留设计
聊天日志属于 ESI。你需要设计四层保留机制，在真正需要之前建立法律保存注册表，并在数据摄入时标记出处 —— 否则你将在电子取证过程中为补全这些架构付出惨重代价。
工具输出是 Agent 视为可信的不可信通道
工具输出与系统提示词共享 Token 流，因此每个读取类工具都是一个提示注入面。本文将介绍信任边界模型、四种生产模式以及用于实际衡量你的防御措施是否有效的评估框架。
工具输出压缩：决定上下文质量的注入策略
AI智能体管道中的工具结果Token密度相差100倍。你选择的注入策略——原始注入、压缩还是提取——从根本上决定了智能体在规模化后的准确率上限、成本上限和延迟下限。
LLM Agent 的重试预算：为什么 20% 的单步失败率会让你的 Token 账单翻倍
在链式 LLM Agent 中，20% 的单步重试率很少只增加 20% 的成本 —— 由于上下文回放，成本往往会攀升至 2 倍左右。本文将介绍如何通过预算限制重试、在 CI 中捕获成本爆炸，并停止为失败支付双倍费用。
智能体记忆垃圾回收：大规模工程化的策略性遗忘
生产环境中的智能体记忆系统会随着过时事实和矛盾信息的积累而无声地退化。分代衰减层、语义去重、矛盾检测和自适应压缩构成了一个 GC 管道，使长期运行的智能体保持可靠——其中包含借鉴自运行时垃圾回收的具体算法。
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。