工程化

找到 9 篇关于此标签的文章

AI 项目总翻车，锅不能甩给大模型 — 工程基本功才是真问题

一家技术团队复盘 AI 项目翻车，结论是模型没问题，问题出在提示词没结构化、用户输入没隔离、输出没校验。这不是孤例，而是企业 AI 落地的通病。

想让 AI 智能体从一次性 demo 跑到企业生产线上，至少要补六块工程拼图 —— 这比换一个更强的模型更现实，也更被低估。

KServe 是 Kubernetes 生态主流的开源 AI 模型服务平台。本周源码拆解文章揭示：一个 AI 模型从 YAML 配置文件到生产环境，中间要走 9 步调和流程，对企业 IT 落地成本有直接参考意义。

一个开发者在做 AI 自动化时发现，API 返回 200、success: true 都不代表任务真正完成。他给工作流加了四道保险：完成标准、验证读取、幂等 ID、回退路径，对正在用 AI 自动化的企业有借鉴价值。

一位独立开发者用 3 个月搭了一套工程系统，让 AI 写出 270 章不崩的长篇。单章时间翻倍到 30 分钟，返工率从 40% 降到 8%。我们关心的不是小说本身，而是他的发现——AI 干不了复杂活，问题常常不在模型，在流程。

本周一篇技术拆解把 AI Agent 的核心代码摊开：所谓'智能体'，本质是'读→想→做→看结果→再来'的循环，配上错误处理和状态管理。这件事值得关心，是因为我们花出去的每一分 AI 订阅费，买的到底是真智能还是一套工程把戏。

Claude Code 内部复盘：团队共用 Agent 工具时，技能撞车导致生产部署跳过测试上线。问题根源不是代码而是 description 写得不够精确，三种症状有对应的工程化解法。

建好一个能查代码的 AI 知识库不难，难的是让它三个月后还跟得上代码本身的变化。我们关注到一个工程现实：增量更新策略（按需重建、跳过无关变更、传播调用链分析）正在成为 RAG 类项目的隐性护城河。

豆包 Agent 教程第 8 章专门解决单线程阻塞问题：耗时任务丢后台跑，做完再回调。AI Agent 的主要瓶颈正从模型能力转向工程架构，这是值得关注的风向。