文章
按时间倒序整理的全部文章。
-
HTML 就够了：让 Agent 生成图形
这场来自 AI Engineer 频道的短讲提出一个观点：让 Agent 生成幻灯片、文档、视频等图形化产物时，关键不是强迫它操作画布或直接写 SVG 坐标，而是给它使用更符合语言模型思维方式的媒介。
-
Miranda 假说：Hamilton 如何毒化角色评测
这场演讲提出“Miranda 假说”：当文化作品覆盖历史记录时，角色扮演系统会生成流畅但时代错位的复合人格，而现有角色评测往往只衡量声音和人格一致性，无法发现这种失败。
-
提示词就是平台
Dominik Tornow 认为，当 Agent 能够按需根据规范生成面向具体基础设施的实现时，软件平台的价值会从通用实现转向可复用的规范。
-
从研究到现实：把前沿 ML 研究带入生产
Higharc 的高级研究工程师 Vaidas Razgaitis 分享了他们如何把前沿 AI/ML 研究推进到生产环境：用研究原型分类文档提升研究可读性，用 Python 单体代码仓库和解耦微服务承接原型。
-
你无法提示整个房间：AI 最后无法取代的技能
这场演讲的核心判断是：当 AI 让写代码变得便宜之后，软件开发真正稀缺的能力，转向判断该做什么，以及把业务方、用户、决策者拉到同一个房间里，提炼出值得构建的需求。
-
你的 Agent 在生产环境失败了。祝你好运复现它
这场来自 AI Engineer 频道的演讲讨论了 AI Agent 在生产环境中失败后为什么很难复现，以及为什么团队应该把目标从追求模型的逐位确定性（bitwise determinism）。
-
你的 Agent 正在浪费 Token，而你还不知道
AWS 开发者布道师 Eric Hanchett 介绍了降低 Agent token 成本的五种做法：缓存系统提示词，按任务难度路由到不同模型，把大型工具结果移出上下文，限制工具循环次数，以及裁剪多轮对话历史。
-
别再写语气指令了。要分层组织它们
演讲者 Isadora Martin Dye 分享了她在经营婚礼场地、并为场地构建 AI Agent 的过程中总结出的四层提示词架构：不可变身份层、情境模式层、示例锚定语气层、生成后否决层。
-
在生产工作流中使用规格驱动开发
AWS 高级开发者布道师 Erik Hanchett 介绍规格驱动开发的概念、动机和实践方式，并以 AWS 的 AI 编程工具 Kiro 为例，演示如何在生产工作流中用规格文档引导 AI 编程助手构建更高质量的代码。
-
当所有上下文都重要：扩展型缓存增强生成
Luis Romero Sevilla 讨论了一个约束很强的知识表示场景：所有文档都与用户问题相关，文档之间关系密集，并且数据会频繁整体替换。