production-systems

本文深入探讨了 Forward Deployed Engineering (FDE) 在 AI 落地中的真正含义，强调 FDE 并非简单的 API 调用或搭建 Agent，而是面向生产落地的系统工程，包括业务翻译、系统设计、平台整合、生产运营和能力沉淀。

一条解释构建生产级AI系统所需的六个关键AI概念（token、嵌入、向量搜索等）的推文串，强调理解这些概念可以避免像API成本失控等代价高昂的失败。

APEX 提出了一个面向生产级AI智能体的三层自进化框架，同时优化了控制层（harness）、行为原则和工作流拓扑。在生产级智能体上的实验显示，健康评分和工作流质量显著提升，且仅需极少的LLM调用。

作者讨论了在自我改进的AI代理系统中需要第四个治理循环以防止目标漂移，并提出了定期人工审核、保留基准和轮换评估者等实际控制措施。

讨论在个性化AI代理中结合长期记忆和知识库的实际挑战，质疑将所有内容塞进上下文是否为标准，并探索替代方案，如单独的检索流程或基于工具的交互。

讨论AI系统中的记忆漂移问题：偏好和事实会过时，但系统只追加存储新信息，导致版本冲突和检索不可靠。

RAMP是一个基于生产环境的LLM代理评估框架，可揭示静态基准测试无法察觉的显著能力退化，显示任务完成率在串行工作流中从100%骤降至20%。该框架在真实的编译器构建工作负载上评估了15个主流模型，涉及复杂的工具链交互和分阶段恢复机制。

文章认为，令人印象深刻的AI与无用的AI之间的区别往往不在于模型本身，而在于围绕它的工作流——上下文、记忆、工具访问和编排。它表明，工作流架构可能成为比原始模型能力更重要的竞争优势。

1Password分享了使用AI代理分析和重构大型Go单体应用的经验，详细介绍了确定性工具的成功以及将代理应用于实时生产变更的挑战。

本文分享了知识图谱大会（KGC）2026 的演示文稿，突显了企业部署生产级知识图谱用于推理和治理，而不仅仅是向量检索的趋势。

一份关于九层生产AI架构的详细解析，涵盖RAG管道、代理、提示词、安全、评估和可观测性层。

本文讨论了AI代理工作流如何将优化重心从单纯的推理成本转向更广泛的挑战，如延迟、编排开销和可靠性。文章强调了向混合架构和动态模型路由发展的趋势，以应对这些多步骤工作流的复杂性。

一位开发者正在寻求关于高级 AI 工作流编排工具与模式的建议，重点关注 LangChain、LangGraph 及 AWS Step Functions 等方案，旨在构建更稳健且面向未来的系统。

对生产AI系统中一种反复出现的失败模式的分析：技术上正确的决策因底层假设发生偏移而变得语境上错误。这被称为“形式化陷阱”，即意义被锁定在过时的结构中。