#MLOps
共 9 篇相关文章
深度专题三 评估驱动开发(Eval-Driven Development)
专题定位 :2026 年 LLM 工程的最大共识是"评估前移"——不再等上线才知道效果,而是把评估嵌入开发全循环。本专题讲 FDE 如何搭一套能持续度量、驱动迭代的评估体系。 一、为什么"评估驱动"是 2026 的范式 传统软件有单元测试/集成测试,效果可自动验证。但 LLM 应用长期是"黑盒"——…
深度专题五 数据工程实战:企业 AI 的 70% 与看不见的地基
专题定位 :行业里有句话——"企业 AI 项目 70% 的工作量在数据工程"。这不是夸张。本专题讲 FDE 在客户现场面对的真实数据工程挑战,以及如何用工程化方法搞定它们。 一、为什么数据工程占 70% 模型是现成的(开源/国产),prompt 可以调,但 客户的真实数据,是 FDE 必须亲手处理的…
深度专题九 MLOps 与持续交付（LLM 应用的工程化）
9.1 为什么传统 MLOps 框架在 LLM 时代失灵 把一个 GPT 4o 或 Qwen Max 接进业务，看上去只是"调一次 API"，但只要它进了生产链路，就会立刻撞上和传统 ML 流水线完全不同的几条事实： 核心论断：传统 MLOps 管的是"模型权重 + 特征"，LLM MLOps 管的…
深度专题十七 多 Agent 编排代码级实战
当单 Agent 跑通一个 demo 之后，下一个真正的工程难题是：怎么把多个 Agent 串成一条可控、可观测、可中断、可回滚的流水线。本专题不谈概念图，全部以可运行代码呈现：从 LangGraph 的最小骨架，到三 Agent 协作、HITL 中断恢复、CrewAI 角色编排、MCP 工具暴露、…
深度专题二十 AI 系统可观测性与 SRE
传统软件系统的 SRE 方法论（Google SRE 一书奠定的 SLI/SLO、错误预算、runbook、事故复盘体系）经过二十年沉淀已相当成熟。但当被运维的对象从"确定性函数"变成"概率性语言模型"时，这套方法论必须被重新校准：同样的指标名（延迟、错误率、吞吐）含义发生了漂移，还必须新增一整层"…
深度专题三十八 FDE 的客户成功与长期运营
38.1 交付完才是开始:为什么长期运营决定 LTV 在 FDE(前沿部署工程师)的实际工作里,有一个被反复验证的反直觉事实: 项目验收签字的那一天,不是价值的终点,而是价值折损的起点 。一个在 PoC 阶段跑通 95% 准确率的反欺诈模型,如果交付后没有持续的运营介入,平均在 6 到 9 个月之内…
深度专题四十一 数据中台与 AI 中台的融合
数据中台与 AI 中台不是两个独立产物,而是一根价值链条的两段:前者负责把企业的原始数据沉淀为可信、可复用的数据资产(数据湖/湖仓/指标/标签/主数据),后者负责把这些资产转化为可决策、可执行的智能能力(模型/Agent/知识/评估)。过去五年,大多数中国企业的真实路径是先建数据中台(2018—20…
深度专题五十 大模型应用的系统测试策略
大模型(LLM)应用之所以难测,根本原因不在于"测试技术不够",而在于被测对象本身的性质发生了变化。传统软件是确定性的:给定输入,期望输出可枚举、可断言;而 LLM 应用是概率性、组合性、状态依赖的——同一条输入,在不同温度、不同上下文窗口、不同检索结果、不同工具返回下,输出可能完全不同。把传统软件…
深度专题五十六 AI 项目失败案例集与深度复盘
写在前面：本专题不讨论"AI 还有哪些想象空间"，只讨论"为什么我们以为会成功、最后却砸了"。所有内容基于行业公开现象（公开复盘、技术博客、监管通报、财报披露、学术论文复现实验）综合提炼，不杜撰任何未公开的公司机密。案例描述以"现象—根因—教训—防范"四段式呈现，目的是让 FDE 在下一次进现场前，…