AI Engineering
AI Engineering 实践专题
AI Coding、Agent 协作、工具设计、状态管理、评测、可观测性、部署与产品交付的工程实践入口。
这个专题关注的不是“让模型多写一些代码”，而是如何把 AI 可靠地放进需求、调研、开发、测试、评审、发布和运营流程，并让 Agent 的工具调用、状态变化、成本与副作用都可控。
定位
AI Engineering 的核心是责任边界：AI 负责高频执行和候选方案，人负责目标、约束、风险判断与最终验收；生产系统还必须补齐状态、权限、评测、观测和回滚能力。
阅读路径
先读《AI Native 工作流》，建立从问题定义到上线复盘的协作方式。
用《Prompt 与 Review 清单》和《项目初始化》固定上下文、任务边界与验收标准。
最后用《AI 代码审查实践》和完整手册补齐测试、安全与发布门禁。
从 Workflow Patterns 与 Tool Design 开始，明确 Agent 如何规划和执行。
继续学习 Memory / State、Human-in-the-loop 与 Guardrails，控制状态和副作用。
最后接入 Evaluation、Observability 与 Cost / Latency，形成可回放的生产闭环。
先定义团队允许 AI 做什么、必须由谁复核，以及哪些操作禁止自动执行。
把高频 Prompt、仓库规则、测试脚本、评审清单和故障处理沉淀为团队资产。
通过评测集、Trace、成本预算、灰度发布和回滚机制持续校准流程。
协作与执行
AI Native 工作流
从立项、调研、开发、测试、部署到运营，拆解人和 AI 的职责边界。
Agent Workflow Patterns
选择顺序执行、路由、并行、计划执行、反思和多 Agent 协作模式。
Agent Tool Design
设计清晰、可验证、可重试、最小权限且便于模型正确调用的工具接口。
Agent Memory 与 State
区分会话上下文、工作状态、检查点、长期记忆和外部知识。
Human in the Loop
在高风险决策、外部写操作和低置信度场景中设计人工确认与接管。
质量与安全
Agent Evaluation
从最终结果扩展到工具调用、轨迹、状态变化、成本、稳定性和安全评测。
Agent Observability
用 Trace 串起模型、工具、状态、延迟、Token、错误与业务结果。
AI App Guardrails
处理输入风险、权限、数据泄露、工具副作用、输出约束和降级策略。
AI 代码审查实践
让模型发现真实问题，并通过风险分类、确定性检查和人工复核控制误报。
Prompt 与 Review 清单
固定任务描述、验收标准、代码审查、安全检查与上线前复核。
成本与交付
AI Cost 与 Latency
从模型、上下文、工具、重试和并发维度设计预算、延迟目标与降级路径。
AI 产品交付
把原型推进到可用产品：范围控制、质量门槛、灰度、反馈和运营闭环。
AI Coding 项目初始化
从空目录到可协作仓库：结构、规则、脚本、AI 上下文和发布检查。
AI Coding 完整实战指南
适合系统阅读，也可以在具体项目阶段作为完整手册查阅。
如何使用这个专题
| 当前问题 | 优先阅读 |
|---|---|
| AI 经常跑偏、改动不可控 | AI Native 工作流、Prompt 与 Review、项目初始化 |
| Agent 工具调用容易出错 | Tool Design、Memory / State、Human in the Loop |
| Demo 能跑但不敢上线 | Evaluation、Observability、Guardrails、产品交付 |
| 延迟和成本持续增长 | Cost / Latency、Workflow Patterns、可观测性 |
| 团队无法复用个人经验 | 完整指南、检查清单、代码审查与发布门禁 |