上一篇《多智能体协作框架实战》讲的是"怎么把多个 Agent 组织起来干活"。但一旦 Agent 能调用工具、读写文件、发邮件、动数据库，它就从"聊天机器人"变成了"有执行权的数字员工"——攻击面瞬间爆炸。这一篇把智能体安全（Agent Security）从概念拉到工程：四类核心威胁（提示注入 / 越狱 / 工具滥用 / 数据泄露）→ 攻击链路拆解 → 防御分层方案 → 最小可运行防护代码 → 红

用 llama.cpp 把 13B 模型塞进 8GB 显存：GGUF 量化部署实战（含完整命令）

用 llama.cpp 把 13B 模型塞进 8GB 显存：GGUF 量化部署实战（含完整命令）

智能体面试准备（八）：LangChain / LlamaIndex / CrewAI 深度对比——架构哲学、代码范式与选型答题框架

27届大模型岗面试准备（九）：模型量化实战——INT8/INT4/GPTQ/AWQ 原理、误差账与手写模拟量化

智能体面试准备（十四）：代码实例——MCP client/server 实战，把工具做成即插即用的标准服务

在高并发的业务场景中，响应速度往往直接决定了用户体验的上限。无论是客服系统的即时问答，还是大促期间的商品详情生成，传统的人工处理模式早已难以应对指数级增长的数据洪流。很多开发者和产品负责人都面临过这样的困境：资源有限，但需求无限；既要保证内容的质量与个性化，又要控制成本和延迟。这种矛盾在电商、教育、内容创作等领域尤为突出，单纯依靠堆砌人力不仅效率低下，还容易因为疲劳导致错误率上升。幸运的是，随着大

用 llama.cpp 把 13B 模型塞进 8GB 显存：GGUF 量化部署实战（含完整命令）

从 Prompt 工程到 Context 工程：2026 年提示词方法论的范式迁移

用 PEFT + LoRA 微调你的第一个领域模型：以中文客服问答为例（附完整代码）