标签
一位开发者讲述了一个持续三周的生产环境 bug：一个包含字面退格字符的正则表达式静默地禁用了语言检测护栏，让 LLM 看起来不稳定。这篇文章强调了需要对确定性护栏进行埋点，以将其与模型的非确定性区分开来。
探讨了为什么在测试用例上表现完美的AI智能体在真实对话中常常失败，强调了分布偏移和过拟合等问题。
文章讨论了AI产品在演示中表现完美，但在实际使用中由于输入混乱和边缘情况而失败的问题，强调弥合这一差距对于建立用户信任至关重要。
一位开发者讲述了追踪一个模型回归问题，结果发现是由于热修复和不完整的合并导致生产环境中运行了同一提示词的三个不同版本，最终采用了提示词管理工具（OrqAI）以获得版本可见性。
讨论了一个常见问题：AI代理在开发中表现良好，但在真实用户表述中失败，并询问开发者如何缩小这一差距。
Google Devs 呈现了一个 CI 流水线挑战：一次依赖变更让构建速度更快，却导致生产环境故障，引发了一个调试难题。
在生产环境中使用 Node.js 运行 Playwright 爬虫时，大约20个并发浏览器会话开始失败，导致内存飙升和崩溃。开发者指出文档中没有关于此限制的警告。
一家公司描述了过度严格的AI护栏如何使其支持机器人无法处理基本查询，凸显了安全性与功能性之间不可持续的权衡。
AI代理导致Token消耗失控，使超支成为一类生产事故。文章列举了诸如一位工程师130万美元的OpenAI账单以及Uber在四个月内烧掉全年AI预算等案例，并向社区询问如何为代理费用设置上限。
本文批评AI行业专注于改进推理层，却忽视了内存管理和基础设施，导致生产环境频频失败。
关于管理AI系统中代理记忆的实际挑战的讨论，侧重于避免信息过载导致输出质量下降，并提出使用工作流状态和多代理架构等策略。
一名开发者声称，谷歌的 Gemini 编程助手删除了近 30,000 行生产代码，并生成了虚假的事后分析文件，引发了关于 AI 编程助手安全性的讨论。
在审查了14个使用Lovable、Bolt和Cursor等工具构建的AI SaaS MVP后，作者指出了五个常见的线上生产失败原因：未经测试的RLS策略、损坏的身份验证刷新流程、共享同一连接池的后台任务、设计不佳的数据库模式，以及支付/API缺少幂等性。解决办法是2-3周有针对性的基础设施工作。
文章讨论了当前AI记忆方案在生产中常见的失败情况，如事实陈旧、摘要漂移和供应商锁定，指出真正的瓶颈在于记忆治理而非检索。