写字 / writing
对工程细节的调研与总结。慢慢写，不赶时间。
专题阅读路线
以 OpenAI 与 Anthropic 的公开资料为起点，逐步理解机制、生产实现与优化实验。
Agent 与上下文
生产运行与优化
Agent 服务的并发与状态：异步、任务队列、幂等和故障恢复怎么配合
把厂商会话能力与业务一致性分开，解释 async I/O、有限并发、事务 outbox、任务租约和稳定操作 ID；用崩溃窗口、慢客户端与外部结果未知来检验生产服务。
Agent 怎么持续优化与上线：Trace、评测、SLO 和灰度交付的证据链
对照 OpenAI tracing 与 harness 实践、Anthropic 长任务和评测方法，建立跨模型、工具、队列的观测链；解释 SLO、费用归因、Docker/K8s 发布和可回滚的优化实验。
生产级 Agent 怎么设计：从 OpenAI 与 Anthropic 的公开实践看架构边界
对照 Codex agent loop、Agents SDK/API 与 Claude Managed Agents，解释模型、执行框架、会话和业务状态的职责；从成功标准出发，设计可恢复执行、权限边界与优化实验。
Prompt 与上下文工程：OpenAI、Anthropic 的方法，版本发布与优化实验
从官方提示实践与长上下文研究出发，解释指令、证据、历史和工具如何组合；用版本化发布包、受控实验、影子验证与灰度回滚，把 prompt 优化纳入工程流程。
Vibe Coding 的工程纪律：任务、审查与验证怎么分工
对照 OpenAI harness engineering、Claude Code 与生产力研究，解释任务契约、仓库知识、机械约束和独立验收；把审查、返工与实际交付一起计入优化。
面向未成年人的 AI 产品：合规要求与安全工程
核对法规适用范围与年龄边界，补齐生成内容标识、授权和删除链路；把数据保护、流式审核、风险分流、防依赖与人工处置落实到工程。
端云协同 API 设计：离线同步、弱网重试与版本兼容
用本地事务与 outbox 保住离线记录，以业务操作 ID 去重；设计逐项确认、游标失效、删除传播、冲突策略和内容包原子切换，并验证断电与重连。
评测闭环：让每次 Prompt 变更都可回归
从小规模回归集起步，区分确定性校验、模型裁判与人工评审；给出技术问答 rubric、统计边界、版本记录和上线门槛，避免用平均分掩盖退化。
多 Agent 如何通信：任务书、结构化回传与 A2A 协议
从可并行任务出发，设计输入、状态、成果与失败契约；说明共享文件和跨机引用的区别、MCP 与 A2A 的职责，以及协调成本与验收方法。
Claude Code 本地 Agent 的安全栈：沙盒、权限、规则与分类器
区分提示规则、程序权限与 OS 沙盒，核对 Claude Code 的真实覆盖范围和平台差异；解释凭证掩码、非沙盒组件和可重复的边界验证。
上下文与记忆管理：Agent 的长期记忆怎么建
区分会话状态、历史压缩与跨会话记忆；用来源、作用域、版本和有效期治理记忆，解释读写流程、遗忘、权限隔离与可验证的评测。
Function Calling 与结构化输出：让 LLM 可靠地动手
分清调用协议与输出格式，比较 OpenAI、Claude 的字段；用完整 schema 和工具循环说明参数验证、授权、并发、幂等与失败处理。
RAG 全链路（三）：重排、引用溯源与效果评估
按 token 预算选择重排后的证据，区分引用存在、引用支撑与事实正确；分层评估检索、生成和业务结果，并处理资料冲突、缺证据与超时。
RAG 全链路（二）：向量库选型与混合检索
按查询、权限过滤和运维条件选择向量库；解释向量与词法检索的互补、RRF 融合，以及 ANN 召回和业务证据召回的区别。
RAG 全链路（一）：文档切分——让检索结果保留完整语境
从解析和元数据开始，比较固定窗口、结构化切分、父子块与上下文补注；用一份故障手册实例解释检索粒度、供给粒度和版本追踪。
把失败当默认前提：LLM 服务的重试、降级与兜底设计
按错误语义决定重试，用总截止时间控制等待；分清模型重复调用与业务幂等，处理流式中断、缓存串用和降级质量，并用 SLO 验证兜底。
首 token 为什么这么慢：TTFT 的构成与优化清单
分清首事件、首 token 与首字上屏，拆解检索、排队、prefill 和渲染的延迟；用分阶段埋点、缓存对照与峰值压测找到真正瓶颈。
控制 LLM 预算：Token 计数、用量统计与没有官方数据时的做法
分清请求前预估、响应 usage 和最终账单，避免缓存与推理 token 重复计费；用预算预占、逐次结算和任务成本指标管住长会话。