LLM 应用后端架构篇：如何设计一个生产级 AI 应用
生产级 LLM 应用需要模型调用层、Prompt 管理、会话存储、任务队列、监控、限流和降级机制。
技术文章、实现记录与项目复盘。
栏目
按年份
LLM 应用评测篇：如何判断模型回答是否靠谱
没有评测的 LLM 应用很难持续迭代，Prompt、模型和检索策略的每次修改都可能带来隐性回归。
LLM 成本优化篇：如何降低 Token 和模型调用成本
LLM 成本优化不是单纯换便宜模型，而是从上下文、缓存、路由、批处理和评测一起控制。
AI 辅助开发篇：如何用 LLM 提升程序员效率
AI 辅助开发的价值不只是生成代码，更在于解释代码、拆任务、补测试、查问题和降低上下文切换成本。
AI Code Review 篇：让大模型参与代码审查
AI Code Review 可以帮助发现明显缺陷、总结 PR、补充测试建议，但不能替代人类对业务语义和架构取舍的判断。
AI DevOps 篇：用 Agent 辅助排障和运维
运维 Agent 可以汇总日志、解释告警、关联变更和生成排障建议，但执行高风险操作必须有权限和人工确认。
LLM 与 Agent 未来趋势篇：从 Copilot 到自主软件工程师
LLM 与 Agent 正在从问答工具走向能读代码、调工具、跑测试、写文档和协作交付的软件工程助手。
项目进度复盘：Seastar Log Engine 已完成什么，还缺什么
从当前代码和文档出发，总结 Seastar Log Engine 的完成进度、已具备的工程能力、仍然存在的短板，以及后续可以继续发展的方向。
数据库基础篇：从存储、索引到事务与查询
数据库不是一个单一产品，而是一组围绕数据持久化、查询效率、并发控制和故障恢复展开的系统设计。