FDENotes

FDE 前线笔记 | AI Agent 生产实战
只写真实翻车，不写正确的废话
每周 2 个生产事故复盘

[FDENotes @FDEAINote]

skill 写得再细，也得给 agent 装个保险丝。怎么查订单、怎么处理退款，交给 skill；最多退多少、哪些账户能收钱，放进工具入口硬校验。你想过没有，退款上限 500 元，只写在提示词里，谁来拦第 501 元？半夜少赌它记性好，把门锁上更踏实。

[FDENotes @FDEAINote]

你敢让 agent 半夜直接改生产数据吗？它能把流程讲得头头是道，��却可能伸错表。ontology 门禁得像机房刷卡，先查它要动哪个对象，再查能做什么操作。"客户"和"付款人"差一个词，退款就可能打错人。先拦住这只手，明早才能睡醒再看日志。

[FDENotes @FDEAINote]

拿退款举个例子，工具只要 3 个参数，订单号、金额和收款账户。订单号能查，金额能算，账户呢？聊天里提过一个，它就顺手填上了。离谱，接口居然能过。这个坑靠重试填不平。参数得带出处，账户必须回订单系统查，查不到就停，别拿猜的当查的。

[FDENotes @FDEAINote]

很多人问我：AI agent 到底能不能干生产环境的活？

我的答案：能，但你要先回答三个问题——

1. 它做错了，你多久能发现？
2. 做错的代价，你付不付得起？
3. 除了 prompt，你还有什么手段约束它？

答不上来，就别让它碰钱和数据。先从只读、 shadow 模式开始。

[FDENotes @FDEAINote]

我是阿畅，FDE（Forward Deployed Engineer）。

过去一年，我把 AI Agent 从 demo 推到生产，踩过的坑比写过的代码多。

这个号只干一件事：记录 Agent 在生产环境的真实翻车——
钱怎么丢的、数据怎么脏的、线上怎么救的。

不讲正确的废话，只写流过血的教训。

每周 2 更，关注不迷路。

[FDENotes @FDEAINote]

@swyx Similar Git+GitHub moment happening for AI agents with constraint layers. The 'aligning thousands of stakeholders' bit resonates — we're finding ontology-style guardrails do for agent reliability what version control did for code collaboration.

[FDENotes @FDEAINote]

@dotey 分家这步是对的：https://t.co/XA8FjUgDkn 是产品手册，https://t.co/arCrUflwfo 想做工程博客+实战。但有个坑躲不掉——两套官方 docs 必然搜索分裂，Stripe 当年也为这事头疼过。彩蛋藏得再花哨，不如先保证搜「Claude Code 最��实践」时别跳出两个互相打架的官方页面。

[FDENotes @FDEAINote]

@WenGXnnnn 密度这角度很准。但 agent 的高密度是双刃剑：一次生产翻车抵十次好评，护城河只属于把失败率压得住的人。

[FDENotes @FDEAINote]

两个上线经验：先开影子模式只记日志，再对高风险动作开强制；后置核验必须重读状态，不能用缓存。

最有意思：Haiku 被拒后没"使坏"，只是在找另一条路。Agent 是目��导向不是恶意的——按这个设计门禁。

全文：https://t.co/Ge4wWtrVyl

[FDENotes @FDEAINote]

Skill 是教 agent"怎么做"，但拦不住它"跳过检查"。

血的教训：把 check_action 做成一个模型"可以调"的工具 ≠ 门禁——模型完全可以选择不调它。

检查必须长在执行路径上，而不是摆在旁边。

[FDENotes @FDEAINote]

但"合法"≠"正确"。门禁保动作合法，但在几个合法选项里选哪个，仍是模型判断，照样错。这类得靠置信度升级+人兜，YAML 解决不了。

参数来源也一��："金额须来自用户确��"好写，但判断值是用户说的还是模型编的，工程上很难。

[FDENotes @FDEAINote]

解法：规则拆两半。Skill 管"怎么做"，Ontology 管"允不允许"——前置/后置条件、归属检查、风险等级，全挂在工具调用路径上强制执行。

每个坑变成一行规则+一个测试。金额用 Decimal 算，算不出来一律不通过。

[FDENotes @FDEAINote]

当 agent 动真实业务（钱/状态/数据），翻车就四种：漏查前置条件、越权改别人数据、参数不可信（金额是模型编的）、误判完成（工具成功但业务没变）。

在 Skill 里写"操作前先检查"，本质只是*请求*模型遵守。

[FDENotes @FDEAINote]

@dotey 前线体感：AI替代的不是整份工作，是工作里能被验证的重复环节。最难的反而是让agent在生产环境别翻车——demo和生产之间差着一百个edge case

[FDENotes @FDEAINote]

@sundyme seedance的人物一致性是真头疼，上周用它做了条15秒短片，3个镜头返工2次才把人钉住。kling4.0这演示里表情自然多了，坐等实测多镜头稳定性

[FDENotes @FDEAINote]

@laobaishare seedance这个我熟，上周用它做了个15秒短片，3个镜头返工2次才把人物定住。国庆准备给它上个大的——让我家猫当主角，看看AI能不能hold住猫的表情包😂

[FDENotes @FDEAINote]

Ctrl+Enter测试

[FDENotes @FDEAINote]

真正 AI 时代的广度,不是"输出范围更广",而是"验证范围更广"。你能识别多少跨领域输出的对错,你的真实广度就到哪。

[FDENotes @FDEAINote]

@0xjayfi 👍

[FDENotes @FDEAINote]

@zhouli5202025 积极互动