智能体搭建实战：如何把一个“会聊天的模型”做成“能跑工作流的系统”
本文揭秘智能体落地核心：告别“对话型”幻觉，聚焦“任务跑完”能力。六步工作流方法论——明确定义智能体三层架构，结构化输入与OutputSpec，构建Planner-Executor-Checker三段式链路，全程可存档、可复现，并为工具调用配备断言/重试/降级机制，最终沉淀为可扩展模板。稳定智能体的关键不在模型多强，而在工作流多确定。
AI Agent 职业路线全解析：从入门到专家的体系化成长路径
本文系统解析AI Agent驱动的软件工程范式变革，面向阿里云开发者，从技术认知、能力图谱、岗位细分到进阶路径，全面梳理Agent时代的职业发展逻辑。涵盖提示工程、架构设计、多Agent协同、云原生落地等核心能力，助力技术人构建面向大模型时代的竞争力。（238字）
为什么 loss 几乎没用：微调里最容易让人“自嗨”的指标
本文揭示了大模型微调中一个常见误区：过度依赖loss曲线判断训练效果。loss仅反映模型对训练数据的拟合程度，并不衡量实际表现。它可能平稳下降，但模型输出无改善甚至变差。尤其在SFT/LoRA微调中，loss易被“虚假优化”，掩盖行为偏移、泛化缺失等问题。真正关键的是人工对照输出变化，结合loss作为辅助参考，而非决策核心。
AI 应用的开发方法
2026年AI开发已迈入智能体与规格驱动的新范式：AI不再是功能，而是应用底层逻辑。开发者从写代码转向定义规格（Spec），由AI自动生成系统设计与代码；通过代理式工作流实现多步协作、记忆共生与工具调用；结合RAG 2.0、大小模型协同及无感基础设施，构建真正个性化的AI原生应用。#AI应用 #AI大模型
用好 Gemini，测试工程师也能“偷懒”出效率
大模型成测试新宠，Gemini如何真帮我们“偷懒”？本文分享一年实战心得：从踩坑到高效协作，教你用精准上下文、测试思维引导、代码速读技巧，让AI输出可用代码与用例。关键不是工具多强，而是会提问——测试员的拆解力，才是驾驭AI的核心竞争力。
