AI工程化
-
LangSmith 上手指南:给 RAG 与 Agent 加一套可观测系统
LangSmith 的意义不只是调试工具,而是让 RAG 与 Agent 的执行过程、成本消耗和评估基础变得可见、可控、可追踪。
-
Spring AI 实战复盘:单测全绿,为何 AI 产品仍会失效
一位开发者在 Spring AI 项目中写了 80 多个单元测试,全部通过,但用户仍遇到 AI 自行生成「岗位描述为空」的回复。该案例显示,AI 应用工程化不能只依赖传统单测,还需要行为测试、评估基线和完整的上下文设计。
-
给 AI Agent 上锁:用 Policy Gates 划定行为边界
当 AI Agent 开始发邮件、改记录、删文件,仅靠提示词已经不够。Policy Gates 的核心,是把 Agent 从执行者降级为提议者。
-
当三个Agent都成功,任务却失败了:多智能体系统如何排查交接黑洞
当多个Agent各自运行成功,任务仍然可能失败。一次丢失订单编号的交接,暴露出多智能体系统在handoff schema、上下文传递和状态校验上的关键短板。
-
一天搭完80%的Agent后,为什么很多团队卡在最后15%?
生成式 AI 让 Agent 原型变得容易,但企业级落地远不止于 Demo。权限、审计、状态管理和长尾场景,正成为最后 15% 的真正瓶颈。