标签：工程实战
共 21 篇文章。
-
AI 代码评审实战：让 AI 当 PR Reviewer
把 AI 接入 GitHub PR 评审流程的完整方案：触发、prompt 设计、评审维度、避免噪音、与人工 review 的边界。
-
用 AI 写 SEO 内容的工程化工作流
用 Claude / GPT 批量产出高质量 SEO 文章的实战工作流：选题、素材收集、写作模板、质量校验、发布与监控。
-
用 AI 做客服自动化的工程化方案
构建客户支持 AI 系统的完整工程化方案：意图识别、RAG 知识库、工具调用、人机协作、质量监控、合规边界。
-
用 AI 做数据分析的实战工作流
用 Claude / GPT 做数据分析的端到端流程：探索性分析、SQL 生成、可视化、报告自动化、与 Pandas 的配合。
-
用 AI 生成与维护技术文档的工程化流程
从代码自动产出 README / API 文档 / 用户指南 / Changelog 的实战方法，含 prompt 模板与质量校验。
-
AI 重构的 10 种实战模式
用 AI 做代码重构的高频场景与对应 prompt 模板：函数提取、类型加固、回调改 async、依赖注入、模块拆分等。
-
用 AI 批量生成单元测试的工程化方法
用 Claude / GPT 高质量批量生成单元测试的实战方法：prompt 设计、覆盖率优化、mutation testing 验证、CI 集成。
-
用 AI API 做高质量翻译的工程化流程
用 Claude / GPT / Gemini 做中英翻译的实战流程：模型选择、术语表、上下文保持、回译验证、批量处理与质量评估。
-
Anthropic Skills 实战：把能力封装成可复用包
Anthropic Skills（技能包）的概念、定义方式、与 Subagent/MCP 的差异、Claude Code 中的接入实战。
-
Claude Agent SDK 国内接入与实战
Anthropic Claude Agent SDK 在国内通过中转的接入方法，含 Subagent 定义、Hook 拦截、tool 注册、自定义 agent 的完整代码。
-
AI Agent 评估方法：怎么知道你的 Agent 真的有效
AI Agent 评估的工程化方法：成功率、步数、token、人工反馈、对抗测试、回归测试，含 SWE-Bench 等公开 benchmark 解读。
-
LLM 评估实战：怎么科学地比较两个模型
LLM 评估的工程化方法：测试集设计、自动评分、人工评分、A/B 测试、Promptfoo 与 LangSmith 实战。
-
降低 LLM 延迟的 10 种实战方法
AI 应用 TTFB 与总耗时优化全攻略：模型选择、prompt 精简、缓存、并行、预热、流式、就近接入、抢答策略实测。
-
LLM 可观测性实战：Langfuse 自部署完整指南
用 Langfuse 在国内自部署 LLM 应用可观测性平台：tracing、用量、成本、调试、用户反馈一站搞定，含 Docker 部署与接入示例。
-
LLM API 限速（Rate Limit）处理完整指南
OpenAI / Anthropic / Gemini 限速机制详解、客户端重试策略、令牌桶、跨账号分发、监控告警的工程化处理方法。
-
OpenAI Agents SDK 国内接入与实战
OpenAI 官方 Agents SDK 在国内通过中转的接入方法，含工具定义、handoff、guardrail、tracing 的完整实战代码。
-
Python 异步并发调用 LLM API 实战
Python asyncio 高并发调用 LLM API 的完整模式：连接池、限流、超时、重试、监控，含 100/min 任务的真实代码。
-
中文 RAG 工程实战：从分块到 Rerank 完整流程
中文 RAG 系统的工程实战指南，含文档解析、chunk 策略、embedding 选择、向量库、检索、rerank、生成全流程。
-
LLM 结构化输出完全指南（JSON Schema / Function Call）
OpenAI / Claude / Gemini 结构化输出（JSON Schema、Tool Use、Response Format）的完整对比与实战，含 Pydantic / Zod 集成。
-
LLM Token 计算完整指南：tiktoken / Anthropic / 中文
OpenAI / Anthropic / Gemini 三家模型 token 计算方法对比，中文 token 化特性、客户端预算、tiktoken 实战、Anthropic count_tokens API。
-
2026 向量数据库对比：Chroma/Qdrant/Milvus/pgvector
主流向量数据库横向对比：性能、规模、运维、成本、集成、混合检索能力，给中文 RAG 场景的选型建议。