《Agent 评测白皮书》系列:从能力到可靠性的度量体系
Agent 的评测对象从来不是模型本身,而是一个由模型、工具、上下文与策略组成的系统。这篇文章给出一套可落地的分层评测框架,覆盖指标定义、评测集构造与上线后的持续观测。
Agent 的评测对象从来不是模型本身,而是一个由模型、工具、上下文与策略组成的系统。这篇文章给出一套可落地的分层评测框架,覆盖指标定义、评测集构造与上线后的持续观测。
Agent 的评测对象从来不是模型本身,而是一个由模型、工具、上下文与策略组成的系统。这篇文章给出一套可落地的分层评测框架,覆盖指标定义、评测集构造与上线后的持续观测。
把 AI 当作一个能力很强但没有上下文的同事,重构任务就需要被拆成可验证的契约。这篇文章记录我们用六个月重构 31 万行前端代码的完整流程、工具链与收益数据。
把单卡吞吐提升 2.3 倍的过程中,真正有效的不是某个神奇算子,而是对瓶颈的准确判断。本文拆解 KV Cache、连续批处理、投机解码与请求调度在真实业务里的收益边界。
性能优化最容易犯的错是凭感觉改。这篇文章按 LCP 的四个阶段逐段归因,用 RUM 数据驱动每一步决策,并记录哪些"最佳实践"实际无效。
一个跨订单、库存、优惠、支付四服务的下单链路,在 2PC、TCC、Saga 与本地消息表之间如何取舍。本文给出选型矩阵、状态机设计与对账兜底的完整方案。
把 HNSW 接进召回链路只需要一天,让它稳定跑一年需要解决增量更新、删除、分片一致性和效果回归四件事。这篇是踩坑清单。
把慢查询从"每天几百条告警"治理到"每周个位数",靠的不是 DBA 个人经验,而是一条可重复的流程:采集、聚类、归因、修复、防复发。
有日志不等于可观测。这篇文章讲我们如何把 40 多个服务的排查时间从 45 分钟压缩到 6 分钟,包括 traceId 透传、采样策略与告警降噪的具体做法。
灰度不是"放 1% 流量试试"。真正的灰度需要流量染色、指标对齐、自动回滚三件套。这篇文章记录一套朴素的、在 30 人团队里能用起来的方案。