工程笔记
写给真正
交付技术栈的人
关于 React、Node.js、TypeScript 与 AI 的文章。有译文正文时显示译文。没有时显示英文，并注明这一点。
标签：MLOps
为何智能体准确率评分具有误导性：pass^k、扰动与故障注入
为何pass@1会隐藏不可靠的AI智能体，以及pass^k、输入扰动和故障注入如何揭示其在一致性、稳定性及容错性方面的缺陷。
阅读约 9 分钟在 Azure ML 中训练自定义模型，并从 Foundry Agent 调用该模型
在 Azure ML 管理的端点上训练、注册并部署流失模型，然后将其作为 FunctionTool 提供给 Foundry 代理，并附上身份验证及生产环境相关说明。
阅读约 7 分钟在AI智能体获得正式上线权限之前：合同、索赔关系图、影子运行与金丝雀测试
基于证据的AI智能体发布流程：限定范围的合同、带状态的场景、故障注入、不确定性边界、分阶段测试以及机器强制的升级机制。
阅读约 23 分钟从模型到智能体：重构三条防御防线
MLOps治理如何与智能体系统对应：三条防线各自需要补充什么，存在哪些缺口，以及欧盟、FDA和金融监管机构发出了哪些信号。
阅读约 8 分钟将AI智能体部署到生产环境：云部署、自托管部署与混合部署的权衡取舍
对比云部署、自托管部署和混合部署在数据暴露、成本、锁定效应、路由以及可观测性方面的差异，并给出四项选择建议及需避免的错误。
阅读约 10 分钟一种能为人工智能代理保持代码库内存准确性的LangGraph流程
构建一个LangGraph流程，用于生成各服务对应的知识文件，通过Ragas和DeepEval对这些文件进行质量检测，在Langfuse中追踪运行过程，同时也在Ollama上本地运行。
阅读约 11 分钟影子部署、金丝雀发布、A/B测试和多臂老虎机算法：安全推出机器学习模型
一个欺诈检测案例展示了何时使用影子部署、金丝雀发布、A/B测试和多臂老虎机算法，以及需要监控什么和如何回滚。
阅读约 7 分钟模型服务架构：为何API仅仅是入口界面
关于推理端点背后平台的指南：路由、扩展、版本控制、可观测性、安全性，以及如何从 Spring AI 或 LangChain4j 调用已部署的模型。
阅读约 9 分钟实用笔记：为人工智能智能体设计缓存：在生产环境中运行它
《实用笔记》操作指南：为人工智能代理设计缓存系统：在生产环境中运行该系统——面向采用此模式的团队提供的契约、检查机制以及可直接插入的代码模块。
阅读约 7 分钟
常见问题
关于这些文章
是。每篇都是为本站准备的英文原创改写。结构与代码跟随来源；正文重写并做过重合检查。
英文是来源。只有存在该语言的正文译文时才显示其他语言。缺失或空白的译文仍是英文，包括在本地化网址上。
草稿经编辑后进入发布队列。站点导入只收录新的或有变更的 slug，不会重复添加。
示例仅供说明。上线前请核对技术栈与许可。若需交付，请发来简报。