摘要 本文是《从0搭建AI智能体》系列第11篇，主要讲解如何将本地开发的AI Agent部署为生产级服务。内容包括： 容器化：使用Docker封装应用，确保环境一致性，注意安全规范（密钥不进镜像） 配置管理：通过环境变量安全注入密钥，推荐使用云厂商的Secrets Manager 限流保护：基于Redis实现滑动窗口限流，防止上游API额度被打爆 熔断机制：实现Circuit Breaker模式避

如何让程序安全、稳定地调用外部大模型能力，而不硬编码敏感凭证、不陷入复杂的鉴权泥潭。密钥写死在代码里 → 上传 GitHub 后凭证泄露；不理解配额机制 → 测试阶段就触发频率限制（429），项目停滞；环境切换混乱 → 开发/生产共用一把密钥，出问题无法溯源。这些问题不仅拖慢开发效率，更会给生产环境埋下安全隐患。本文以AgentKey这一标准化认证方案为主线，带你完整走一遍环境搭建 → 安全存储

你有没有想过，为什么 ChatGPT、Claude 这些产品回答问题时，是像打字机一样一个字一个字往外冒，而不是转半天圈、然后「啪」地甩出一大段？这不是为了炫技，而是体验的生死线。一个长回答，模型完整生成要好几秒。如果等它全部生成完再一次性返回，用户面对的就是几秒钟的白屏加载——在「3 秒定生死」的产品世界里，这足以让人关掉页面。流式输出（Streaming） 就是解药：模型边生成、边通过 SSE

本文介绍了System Prompt在AI智能体开发中的关键作用，提供了10个可直接复用的实战模板。主要内容包括： System Prompt的重要性：80%的效果问题源于此，它相当于"岗位说明书"，能显著提升模型表现。 黄金结构：角色+任务+规则+格式+示例的万能框架。 10个实用模板： 严谨事实问答（抑制幻觉） 专业角色扮演（客服/顾问） 结构化JSON输出 Few-shot示例引导 分步推理

你问大模型「今天有什么新闻」「最新版的 Python 是多少」「某公司昨天的股价」，它要么回答一个过时的答案，要么老实说「我的知识截止到某年某月」。它的知识冻结在训练数据的截止日期，之后发生的一切它一无所知。对于新闻、股价、天气、最新文档、实时数据这类问题，光靠模型自己，注定答不好。解法就是给它接上「眼睛」——实时联网搜索。当模型判断需要最新信息时，让它调用搜索引擎，把搜到的内容读进来，再基于真实

本文介绍了多智能体协作系统的概念与实践方法。主要内容包括： 多智能体优势：通过分工协作实现1+1>2的效果，相比单一智能体具有专注度高、可组合、易维护和可并行等优势。 三种协作模式： 流水线模式：智能体线性串联，适合固定流程任务 主管调度模式：通过路由智能体动态分配任务 辩论评审模式：通过生成-评审循环提升输出质量 技术实现：基于Python和OpenAI API构建通用智能体函数，通过消息传递实

本文介绍了如何为AI智能体（Agent）构建可观测性系统，通过日志、链路追踪和成本监控三大支柱，将Agent从"黑盒"变为透明可控的系统。主要内容包括： 结构化日志记录：使用JSON格式记录关键事件（如LLM调用、错误等），便于检索分析，避免敏感信息泄露。 链路追踪实现：通过唯一trace_id串联单次请求的完整处理流程（检索→模型调用→工具使用等），便于问题复现和性能分析。 成本监控方案：跟踪T

本文探讨了AI应用特有的三大安全威胁——提示词注入、越权与工具滥用、幻觉与错误信息，并提供了相应的防御策略。作者强调，传统安全措施无法有效应对这些AI特有的风险，必须采用多层防御机制，尤其是代码层的权限控制作为兜底方案。文章详细讲解了每种威胁的攻击手法和防御组合拳，包括Prompt加固、输入输出隔离、工具内独立鉴权、危险操作人工确认等实用技术。最后通过动手实验演示了代码层防御的关键作用，指出模型只

摘要 本文是《从0搭建AI智能体》系列第11篇，主要讲解如何将本地开发的AI Agent部署为生产级服务。内容包括： 容器化：使用Docker封装应用，确保环境一致性，注意安全规范（密钥不进镜像） 配置管理：通过环境变量安全注入密钥，推荐使用云厂商的Secrets Manager 限流保护：基于Redis实现滑动窗口限流，防止上游API额度被打爆 熔断机制：实现Circuit Breaker模式避

本文介绍了如何在Hyperf框架中启用文件监听热刷新功能。主要内容包括：1) 环境要求（PHP 7.3+、必要扩展、操作系统兼容性）；2) 安装方法（下载watch脚本并运行）；3) 配置说明（监听目录、文件类型、排除目录等参数）；4) 常见问题排查（监听不生效的解决方法）；5) 配置修改指南（如何调整监听范围和扫描间隔）。该功能通过监控文件变化自动重启Hyperf服务，适合开发环境使用，支持Li