yangzhan的文章

从用户再次要求转人工的场景出发，拆解智能客服在意图识别、知识更新与人工交接上的边界，讨论为什么可用的自动回复要先学会承认不确定。

检索增强生成常被用来给大模型接上企业知识库，但流畅答案不等于可信答案。本文从文档治理、召回质量与回答边界谈起，讨论它适合解决什么问题，又在哪些环节容易失效。

自动化工作流常被当成省人力的捷径，但真正决定它是否好用的，往往是那些没被写进流程的例外。本文从几个具体场景出发，讨论流程边界、人工兜底与维护成本。

开源不只是把代码放上仓库。真正需要维护的，是文档、兼容性、问题响应和人与人之间的协作预期。本文从一次升级卡壳的场景谈起，拆解开源生态里那些不显眼却决定可用性的工作。

低代码常被误解为“拖拽即上线”。放到人工智能项目里，它更像一套流程与权限的约束工具：适合稳定、边界清晰的场景，也需要数据、复核和维护机制配合。

招聘筛选模型删掉院校字段，偏见却借邮编、社团名称继续存在。文章拆解代理变量如何替代敏感字段，几种公平定义为何互相冲突，以及团队在上线前后能做的具体动作。

开源模型下载容易，落地却要面对许可、评测、日志和运维。本文从一个小团队场景出发，拆解开放权重背后的工程责任与边界。

自动化工作流真正难的地方，常常不是把步骤串起来，而是异常处理、权限边界和后续维护。本文从一次审批卡顿的场景出发，拆解流程落地时容易被忽略的隐性成本，并讨论哪些环节适合交给机器、哪些仍需人保留判断。

从一封待回复的邮件到一次跨系统操作，AI Agent常被描述成能替人跑完流程的助手。但真正落地时，权限、异常、可观察性和责任边界往往先于模型能力决定它能不能用。

训练完成只是起点，真正决定用户体验的往往是推理阶段的效率。本文从一次线上延迟的排查说起，拆解推理优化在批处理、缓存与精度取舍上的现实边界。