探索 人工智能
AI 编程实践、提示词工程、LLM 集成与前端智能化开发技巧
AI Agent 安全与权限控制：一个容易被忽视的落地命门
Agent 系统最大的风险通常不是模型答错，而是越权执行和不可追责。本文从威胁建模、最小权限实现、Prompt 注入防御、工具网关、审计追踪与应急演练六层给出可落地方案。
前端工程师转 AI Agent 的完整路线图（3 个月落地版）
前端转 AI Agent 的关键，不是“会不会调 API”，而是能否把模型能力转化为可交付系统。本文给出 12 周学习与实战路线、阶段验收标准、项目组合策略、面试自测清单和常见误区修正。
大模型函数调用（Function Calling）工程实战：从设计到落地
Function Calling 不是“让模型调 API”这么简单，而是 Agent 执行层的稳定性核心。本文给出工具定义规范、调用编排、失败处理、并串行策略、可观测与测试体系，帮助你把调用链做成可交付工程能力。
多 Agent 协作架构设计：从概念到可运行的系统
多 Agent 的难点不在“多”，而在协作协议、权限边界、失败补偿和可观测闭环。本文给出串行/并行/仲裁三种协作模式、Orchestrator 最小可行实现、回滚与补偿机制、评估指标与面试可复用叙事模板。
提示词工程进阶：从“写 Prompt”到“让 Agent 可预期工作”
Prompt 不是“把话说清楚”，而是把不确定的模型约束成可控系统。本文给出 Agent Prompt 的结构化写法、工具调用提示设计、失败回路、测试用例、版本化与观测指标，让你的 Agent 输出稳定、可复盘、可迭代。
AI Agent 并发与可靠性：100 人同时用不崩的工程设计
AI Agent 上线后最先崩的往往不是模型，而是限流、超时、重试、并发写入与上下文隔离。本文给出一套从单机 Demo 到可承载并发的工程化方案：队列与限流、幂等与重试、会话隔离、降级与熔断、可观测性与告警，让你的 Agent 在高峰期仍然可用、可控、可复盘。
AI Agent 必考知识点：记忆机制、任务规划、工具调度完全拆解
从“Agent 为什么会失控”出发，系统拆解记忆（窗口/摘要/外部知识）、规划（拆解/校验/纠错）、工具调度（超时/重试/幂等/并发）三大模块，并给出可落地的最小 Demo 路径与评估指标。
AI Agent 记忆管理实战：上下文窗口、RAG 与会话持久化怎么做才稳定
记忆不是“把历史都塞进 prompt”。本文用工程视角拆解 AI Agent 的三层记忆（短期/长期/外部），给出上下文窗口管理策略、摘要与结构化状态的落地方式、RAG 作为外部记忆的注入协议，以及多用户会话持久化与评估指标，帮你把多轮对话做得稳定可迭代。
AI Agent 项目怎么做才有含金量：从“LangChain 模板”到“可落地工程”
面试官不缺“能跑起来的 Demo”，缺的是能讲清边界、指标、可靠性与安全的工程项目。本文给出含金量判定标准、三类高价值项目选型、可复用架构与叙事模板，以及一套从 Demo 升级到可上线系统的拆解清单。