编辑精选 / 按任务阶段编排
不用读得更多，只读能改变下一步的内容。
这里按任务阶段精选 26 篇；全站已发布的 63 篇文章都收录在知识目录中。
AI VISTA / READING FILE
编辑顺序01—04
- 01先把任务写清楚4 篇
- 02让输出可以验收6 篇
- 03连接证据与时效3 篇
- 04控制自动化的后果13 篇
从当前阶段进入AI VISTA
01先做一项决定
人工编排无热度权重每组都有明确任务
学习路线 / 第 04 站 · 精选阅读
这一站只补足当前判断，不让阅读取代实践。
精选顺序按任务阶段编排：定义、验收、证据和运行。先找到自己正在处理的阶段，再读一至两篇能改变下一步行动的内容。
- 带什么来
- 课程中尚未解决的一项判断
- 在这里做
- 按任务阶段选择一至两篇内容
- 带什么走
- 一个修正后的决定或实践工具
阅读前协议
先写清三句话，再打开文章。
没有具体决定、工作产物和判断证据时，继续收藏文章通常只会增加待办。先留下这三句话，阅读才会变成一次可验证的修改。
停止阅读规则当一篇文章已经让你能修改产物并安排下一次测试，就先停下来实践；只有新的失败暴露出新的判断缺口时，再回来读下一篇。
- 01 要改变的决定
读完后，我准备重新决定什么？
例如：是否让客服分流流程自动写入工单系统。
- 02 要修改的产物
这次阅读会落到哪份工作材料？
例如：任务简报里的失败处理，或权限阶梯中的审批级别。
- 03 有用的证据
看到什么变化，才说明这次阅读值得？
例如：10 条案例中的误分下降，而且高风险案例仍交给人工。
- →开始阅读的条件通过
三句话都能落到同一项真实任务。
完整选择案例
不是“这篇看起来不错”，而是它正好能修改手上的一份材料。
下面的例子只选择一篇任务简报，并在产生可测试修改后停止。精选阅读的价值不是延长停留时间，而是缩短从卡点到下一次实践的距离。
把一个 AI 想法写成可验证的任务简报 →- 01当前问题↓
团队想让 AI 自动处理客服邮箱，但每个人对“处理”包含哪些动作理解不同。
- 02为什么选这篇↓
问题不是缺少更多工具，而是没有把用户、输入、合格输出、边界和接手人写进同一份任务说明。
- 03阅读后修改↓
把“自动处理邮件”改成“建议队列与紧急程度；低置信度和混合诉求交给值班客服”，并填写一页任务简报。
- 04何时停止阅读■
当两位同事能用简报对 10 条案例作出一致的继续、修改或停止判断，就先运行试验，不再增加文章。
- 01
纳入：能改变一个具体决定
文章必须说明读者在什么任务时刻使用它，以及读完后要修改哪份工作材料。
- 02
纳入：有案例、产物和边界
方法必须承受至少一个不舒服的案例，并提供可直接操作的工具和不适用条件。
- 03
排除：只有概念、排行或泛化结论
没有可核验依据的热度、效果数字、模型榜单和工具罗列不会进入精选顺序。
定义
4 篇先把任务写清楚
适合第一次把 AI 想法变成可测试工作，并决定下一步由谁控制。
01 这项任务究竟适不适合使用 AI？在选择模型或搭建流程之前，先从变化程度、可核验性、出错代价、数据边界和后备方案判断任务是否适合 AI。 任务定义 02 把一个 AI 想法写成可验证的任务简报把模糊的 AI 功能想法，改写成一页任务简报：写清用户、输入、合格输出、证据、边界和失败后的处理方式。 任务定义 03 固定工作流还是 AI Agent？先决定谁控制下一步用真实任务判断固定流程是否足够；只有需要根据工具反馈选择下一步时，才设计有预算、停止条件和人工接手的 Agent。 任务定义 04 扩大投入前，先做一次 10 条案例试验用普通、困难、模糊和高风险案例组成一个足够小的测试集，把一次看起来不错的 Demo 变成可以复核的证据。 评测与诊断
验收
6 篇让输出可以验收
适合结果时好时坏、团队不知道该改哪里的情况。
01 重写 Prompt 之前，先画清上下文把指令、资料、示例、历史、工具和输出规则拆开，先看清模型真正收到了什么。 上下文与 Prompt 02 长对话什么时候该压缩上下文？保留决定与证据用实测用量和下一轮需求设置压缩检查点，保留关键否定条件、来源与未完成动作，再用同题复测验证没有丢失事实。 上下文与 Prompt 03 先写验收契约，再写 Prompt在优化措辞之前，先定义必备字段、证据、语气、不确定性表达和拒收条件。 上下文与 Prompt 04 AI 输出选 JSON Schema、Markdown 还是纯文本？先看谁要消费按下游消费者选择 AI 输出协议，区分 JSON 语法、Schema 和业务正确性，并为拒绝、截断与解析失败设计出口。 上下文与 Prompt 05 如何测试文档与工具返回中的提示注入为网页、文件、检索片段和工具返回建立回归用例，在发布前检查预期行为与权限关卡。 上下文与 Prompt 06 换模型之前，先诊断回答为什么失败把坏答案定位到输入缺失、指令冲突、证据不足、能力边界或交接失败，而不是立刻换模型。 评测与诊断
证据
3 篇连接证据与时效
适合需要引用、权限和资料版本控制的回答。
运行
13 篇控制自动化的后果
适合 Agent 需要调用工具、长期记忆或影响外部状态的流程。
01 只给 Agent 完成任务所需的最小权限把每个动作放进五级权限阶梯，从只读建议到必须明确批准的不可逆操作。 Agent 安全 02 给 AI Agent 设计工具调用契约，再开放函数在工具可被 Agent 调用前，写清输入结构、前置条件、身份与审批、外部效果、重复调用、超时结果和复核轨迹。 Agent 架构与协作 03 AI Agent 何时继续、重试或停下？设计运行中的循环护栏用可观察的进展、分开的轮次与成本预算、错误分类和写入去重规则，决定 Agent 每一步是继续、重试、换路径还是交给人。 Agent 架构与协作 04 子 Agent 还是多 Agent？按控制权和共享状态选择协作拓扑判断任务是否值得拆给多个 Agent；比较父 Agent 调用专家、对话交接与并行委派，并写清状态、费用和失败归属。 Agent 架构与协作 05 Agent 长期记忆什么时候写入、纠错与删除？为跨会话记忆设计写入门槛、偏好更正规则和删除验证，避免一次性要求或模型推断变成难以清除的用户画像。 Agent 架构与协作 06 在 Agent 出错之前，先设计恢复方式在自动化进入生产前，写清停止信号、保存状态、负责人、回退动作和安全重试规则。 Agent 安全 07 用任务评分表选择模型，而不是追榜单用真实工作流案例为质量、延迟、工具能力、隐私、恢复和运行约束设置权重。 模型运行与成本 08 模型服务故障时如何降级？设计备用模型、排队与人工接管按错误类型、用户截止时间、数据边界和备用模型验收结果，决定模型 API 故障时何时重试、排队、切换或交给人。 模型运行与成本 09 本地大模型需要多少显存？拆开估算权重与 KV Cache分别计算模型权重与 KV Cache 的理论载荷，检查上下文和并发，再用目标服务框架实测缺失的峰值开销。 本地模型与部署 10 本地大模型能扛多少并发？测到达率、首 Token 与排队在真实推理服务上逐档测试到达率，核对首 Token、输出速度、两层排队、错误和显存压力，找出已经验证的持续负载边界。 本地模型与部署 11 本地部署大模型还是云 API？按数据、峰值和运维选择比较自有硬件、团队管理的租赁 GPU 与供应商托管 API，逐项核对数据路径、峰值容量、运维责任和每项合格任务成本。 本地模型与部署 12 算清一条 AI 工作流的完整成本不要只比较 token 单价，把输入、输出、重试、工具、等待、复核和失败恢复一起算进去。 模型运行与成本 13 Prompt 缓存为什么没命中？用三次请求验证用稳定前缀和改动前缀的对照试验，按提供商规则记录缓存写入、读取、延迟与合格任务成本。 模型运行与成本