你的 Agent 读不懂的生产日志
把 agent 接入日志系统只是给了它访问权,不是理解力。真正的集成工作,是教它你的数据叫什么名字。
当评估指标全看“感觉”时，你的 A/B 测试无法区分两个模型
点击率无法区分用户是真心喜爱一个模型还是仅仅在忍受它。在你信任实验结果并据此选择模型之前，请先证明你的指标能够检测出你故意搞坏的模型。
提示词 Diff 隐藏了自身的爆炸半径
一个三个单词的提示词修改和一段三个段落的重写在文本 Diff 中看起来并无二致，但其行为后果却大相径庭。为什么提示词审查需要评估增量，而不是字符计数。
用户终将学会忽略的置信度评分
LLM 回答旁边的置信百分比是一份你通常无法兑现的信任契约。在经历了几次失准的 90% 评分后，用户便学会了忽略这个测量计——而摆在面前的只有三种诚实的设计方案。
填充式工具调用：当智能体在表演勤奋而不是真正干活
生产环境中的智能体不断发出对答案毫无影响的工具调用——烧掉 token、拖慢延迟、损害准确率。本文讲清楚填充式调用是如何从训练中长出来的、它真正的成本是多少，以及如何用反事实测量和调用预算把它从工作流里剔除出去。
无人书写的工具调用授权层
你的网关检查‘是谁’。你的端点检查‘是什么’。但在你的智能体栈中，没有任何环节在检查模型最初是否被允许发起该调用。
你的 Agent 端点是一个伪装成函数调用的分布式系统
一个 `await agent.run()` 看起来像是一个本地函数，但实际上隐藏了一个远程的、可能部分失效的分布式系统。本文将探讨 Agent 代码所需的超时、重试、幂等性和熔断机制。
那些由于模型选择了不同的 Token 而无法复现的 Bug
重现一个 LLM bug 时看到它通过了，并不意味着 bug 消失了 —— 而是意味着你抽取到了不同的样本。当你的工具假设一切都是确定性的，该如何调试一个采样器。
对于你的 AI 功能，“自研还是购买” 是个错误的问题
一个 AI 功能是一个包含五个层级的技术栈，而不是一件可以简单制作或购买的单一事物。真正重要的决策是：哪个层级能累积你的差异化优势，而哪个层级又是竞争对手可以轻易买到的。
Token 预算是产品决策，而非配置值
设置上下文窗口分配（历史记录 vs 检索结果 vs 工具输出）的那行代码，是隐藏在 f-string 中的产品决策。本文将介绍如何将其显性化、衡量它，并为其指定负责人。
你的语音智能体将每一个转录错误都视为事实
语音识别器返回的是猜测，但在移交给语言模型时，它们被重新标记为了事实。本文探讨如何保留 ASR 的不确定性，并设计在执行操作前进行确认的语音智能体。
那个本该计算却随口编造数字的智能体
LLM 智能体往往会随口说出一个看似合理的数字，而不是去进行计算，流畅的文字掩盖了缺失的工具调用。本文探讨如何强制使用工具并为每一个数据附上出处。