重连时，只有这个字符串非空，客户端才会把它塞进。

算法工程师转到大模型，最想带过去的东西不是某个模型结构，而是对照实验的手感：改一个变量、看指标、判断有没有用。这套手感在推荐、CV、风控里救过很多人，到了生成任务上却经常给出假结论。不是实验没做，是对照的形式做对了，量到的东西还是假的。读完你能判断三件事：手上那份消融结论值不值得信；模型给你的对照脚本具体错在哪几行；下一次跑对照要补哪几个数字才算数。先说清两个词。消融实验：把系统里的一个部件拿掉或

算法工程师转到大模型，最想带过去的东西不是某个模型结构，而是对照实验的手感：改一个变量、看指标、判断有没有用。这套手感在推荐、CV、风控里救过很多人，到了生成任务上却经常给出假结论。不是实验没做，是对照的形式做对了，量到的东西还是假的。读完你能判断三件事：手上那份消融结论值不值得信；模型给你的对照脚本具体错在哪几行；下一次跑对照要补哪几个数字才算数。先说清两个词。消融实验：把系统里的一个部件拿掉或

某家公司内部有个知识库问答机器人，员工问它报销标准、考勤规则、退货流程。它干活很朴素：员工提问，系统去向量库（按语义相似度存取的文档库）检索几段文档，连同问题一起交给模型，模型照着文档回答。某天它开始答错：有人问「生鲜类商品能不能退」，它答得很干脆——可以，无条件退。而制度文档里写的是「生鲜类原则上不支持七天无理由退货」。翻日志，提问的员工输入完全正常；模型版本没换过；提示词还是上周那一版。问题出

某团队给售后做了套问答机器人：知识库放产品手册和历史工单，模型调第三方 API，入口挂在内网 IM 的工作台里，只有客服组十几个人能用。这个阶段它是内部工具，没人会想到备案。三个月后业务部门提需求：挂到公众号上让客户自己问。技术改动可能只有两处——加一个网页入口、开一个公网域名。但监管属性已经变了：从「未向境内公众提供」变成「向境内公众提供生成式人工智能服务」。这条线是条文写死的。《生成式人工智能

1.创建Agent及配置名称、角色以及目标2.Agent 自主思考、规划、执行3.最终输出。

在 Agent 中，LLM 更像是“大脑”或“决策核心”。它主要负责理解用户意图、分析当前上下文、判断下一步动作、决定是否调用工具、生成工具参数，以及根据工具返回结果继续推理。但 LLM 本身不应该直接负责所有执行，真正的执行动作应该交给工具、接口、数据库、文件系统等外部模块完成。概括一下LLM：负责想清楚要做什么Tools：负责真正去做Agent：负责把“想”和“做”组织成完整流程。

1. 让任务更具体、更聚焦不好的例子：「帮我处理业务问题」好的例子：「把销售通话的内容，总结成一份行动清单」\2. 明确输出格式不好的例子：「给我一个答案」好的例子：「返回内容包含：摘要、证据、风险、下一步行动」\3. 提供示例告诉模型：“这是3个好的输出例子” / “就按照这种风格来写”\4. 只在需要的时候加工具比如改写笔记，就不需要上网搜索；如果答案本身就在提示词里，就不需要访问文件\5.

Harness本义为马具、缰绳，映射到AI领域，它不属于全新算法或大模型，而是包裹在原生大模型外层，用于管控智能体全链路运行的工程闭环体系。• 原生大模型：如同未经驯服的野马，具备推理能力，却容易产生幻觉、随意执行、行为失控；• Harness：是配套的缰绳与运行规则框架，约束边界、引导行为、记录问题；• 核心价值：将随性的原生AI，打磨成可控、可用、可迭代的专业化业务工具。

假设你手上有一款便携榨汁杯，要上架到德语、法语、西语、日语、韩语、葡萄牙语、俄语、阿拉伯语八个语站。每个语站至少要三份文案：标题、五点卖点、详情页长描述。这个产品里有三类说法必须固定：品牌名（固定拼写、固定大小写）、核心部件名（比如「刀头组件」）、以及一个你们自己造出来的卖点词组（比如「一键自清洗」）。这三类词在不同语站写成不同样子，后果不是「不好看」，而是三件很具体的事：客服拿着德语的说法去对日