AI 低代码踩坑实录:接入 Agent 后,我踩了 5 个生产环境致命问题
本文是一份来自一线的 AI 低代码落地复盘。我们在一个承载 1200 日活的生产环境低代码平台上接入 Agent 能力,上线第 3 天即触发 P1 告警,随后两周内连续踩中 5 个致命问题:Prompt 版本失控导致效果断崖式下跌、Agent 工具调用打爆数据源连接池、SSE 流式响应大量断连、上下文膨胀让月 Token 成本从 300 元飙到 2.7 万、以及最危险的权限穿透。全文按”现象—根因—方案—代码—验证”逐条拆解,给出可直接复用的配置片段、连接池参数、Token 预算模型与 12 条避坑清单。修复后 P99 延迟从 8.4s 降至 1.9s,超时率从 6.7% 降到 0.3%,月成本回落至 6800 元。希望后来者少走同样的踩坑路。
一、从一次 P1 告警说起:为什么要在低代码平台上接 Agent
这篇 AI 低代码踩坑实录,来自一次真实的生产事故复盘。我们在一个承载 1200 日活、跑了两年的低代码平台上接入了 Agent 能力,上线第 3 天凌晨 2 点 17 分,监控大屏被 19 条 P1 告警刷屏——数据库连接池耗尽、接口 P99 飙到 8.4 秒、错误率 23%。这篇踩坑记录,就是把那两周在生产环境里踩出来的血,一条一条挤给你看。
先说清楚背景,免得被误读成”低代码不行”。恰恰相反,底座是能打的,出问题的是我们往上面叠 AI 层的方式。
业务场景:我们是一家做 B2B 供应链 SaaS 的公司,内部有一套基于低代码平台搭的运营中台,包含工单、合同、供应商台账、结算单四类核心实体,日常服务约 380 名内部用户 + 900 名外部供应商账号。2024 年底,业务方提了三个诉求:
| 序号 | 诉求 | 原人工耗时 | 期望目标 |
|---|---|---|---|
| 1 | 工单自动分类与派单 | 平均 4.2 分钟/单 | 秒级预分类,人工仅复核 |
| 2 | 合同关键条款摘要与风险标注 | 平均 18 分钟/份 | 3 分钟内出摘要 |
| 3 | 自然语言查台账(“上季度华东区超期未结算的供应商有哪些”) | 需找数据组提需求 | 自助查询 |
三个诉求的共同点是:输入是非结构化的,输出要落回结构化实体。这正是 Agent + 工具调用的典型场景——让模型理解意图,调用低代码平台已有的数据源 API 完成任务。
技术选型:底座我们最终选了 JNPF,核心原因是私有化部署能落地、数据源编排和数据模型可视化配置比较完整,不需要为每个实体手写 CRUD 接口——后来证明这个决定救了我们,因为 Agent 要调用的 14 个工具里,有 11 个直接复用了平台已发布的数据源 API,只补了 3 个自定义函数。
整体架构(文字示意):
业务前端(低代码页面) │ ▼API 网关(Nginx + 自研插件) ←── 埋点/限流/审计 │ ├──► 传统 CRUD 链路 ──► 低代码平台数据源 ──► MySQL │ └──► Agent 链路 │ ├─► Prompt 管理服务(版本化) ├─► Agent 编排(规划→工具选择→执行→反思) ├─► 工具层(14 个 Tool,11 个复用平台 API) ├─► 会话记忆(Redis + 向量库) └─► LLM 网关(多模型路由 + Token 计量)技术上没觉得有多难。我们错了。 传统 CRUD 的确定性,和 Agent 的概率性,是两种完全不同的工程范式。前者出错是 0 和 1,后者出错是一条长长的分布曲线,而生产环境只认最差的那 1%。
下面 5 个坑,按”杀伤力”排序。
二、踩坑一:Prompt 版本失控,上线一周效果回滚到”人工智障”
现象
上线第 2 天,工单自动分类准确率从灰度期的 88.6% 掉到 61.3%,大量工单被派到错误队列。奇怪的是,代码一行没改,模型也没换。
根因分析
排查了 6 小时,最后在 Git 提交记录里找到答案:一位同学为了优化”合同摘要”的措辞,直接在生产环境的 Prompt 配置页里改了共用的系统提示词模板——而工单分类和合同摘要复用了同一个”角色设定”段落。改完之后,工单分类的 System Prompt 从”你是严谨的工单分类器”变成了”你是专业的法务助手”。
更糟的是,低代码平台的可视化配置页天然鼓励”所见即所改”,Prompt 存在配置表里,改完即时生效,没有版本、没有审批、没有回滚。这就是低代码 + AI 的第一个陷阱:配置即代码,但配置没有享受代码的工程约束。
解决方案
我们做了三件事,核心思路是”把 Prompt 当代码管”。
① Prompt 外置为版本化文件,配置页只读
id: ticket_classifyversion: 7model: gpt-4o-minitemperature: 0.1owner: team-opsupdated_at: 2025-01-14changelog: "增加'疑似重复工单'类别,收紧输出格式约束"system: | 你是供应链运营中台的工单分类器。 只能从以下枚举中选择一个类别,禁止创造新类别: [物流异常, 结算争议, 合同变更, 系统故障, 疑似重复, 其他] 输出必须是 JSON,不含任何解释文字。 若有歧义,选择"其他"并将置信度置为 low。few_shot: - input: "货到了但是少了两箱" output: '{"category":"物流异常","confidence":"high"}'output_schema: type: object required: [category, confidence] properties: category: {type: string, enum: [...]} confidence: {type: string, enum: [high, low]}② 上线走”影子流量”灰度
新版本 Prompt 先对 10% 流量做影子调用(结果不落库、不影响业务),与线上版本做一致性对比。我们定的阈值是:分类一致率 ≥ 92% 才允许切流,不一致样本必须人工抽查 30 条。
③ 建立 87 条回归用例集
从历史工单里抽了 87 条覆盖各类边界的样本,做成回归集。每次改 Prompt,CI 里跑一遍,准确率低于基线 95%(相对值)直接阻断发布。
def regression_gate(new_prompt_version: str, baseline: float = 0.886): acc = evaluate(TEST_SET_87, new_prompt_version) if acc < baseline * 0.95: raise ReleaseBlocked( f"回归未通过: {acc:.3f} < {baseline*0.95:.3f}") if acc < baseline: logger.warning(f"效果下降但不阻断: {acc:.3f}")效果验证
改造后,Prompt 变更的平均上线周期从”3 分钟”变成”2 天”,看似变慢,但线上分类准确率稳定在 89.2% ± 0.8%,再没出现过断崖。教训就一句:低代码降低了配置门槛,AI 放大了配置风险,两者叠加时必须用最严格的工程纪律兜底。
三、踩坑二:Agent 工具调用打爆低代码数据源连接池
现象
上线第 3 天凌晨,数据库连接池耗尽,整个中台(包括不相关的报表页面)全部 500。DBA 电话打到我手机上。
根因分析
看监控,一条线索很清楚:Agent 链路在 60 秒内向数据源发起了 2400 次查询,而我们的 MySQL 连接池上限是 200。
顺着调用链往下挖,Agent 的一次”自然语言查台账”请求,大概是这么走的:
- 模型理解意图 → 决定调用
query_supplier工具 - 工具内部走低代码平台的数据源 API
- 数据源 API 每次调用新建一条数据库连接(平台默认配置,未开连接复用)
- 返回结果不理想 → Agent 反思 → 换个参数再调一次
- 最多重试 5 轮
于是单个用户请求最坏情况 = 5 次工具调用 × 每次内部可能多次分页查询 = 12~18 次数据库连接创建。并发 80 时,连接需求瞬间冲到 1000+。
还有个隐藏雷:Agent 的规划循环没有超时上限。有一段对话因为工具持续返回空结果,模型反复”换个思路再试”,单请求跑了 172 秒,中间挂了 21 次工具调用。
解决方案
四层改造,逐层收口。
① 连接池与超时参数重新标定
# 低代码平台数据源配置datasource: max_pool_size: 200 min_idle: 20 connection_timeout_ms: 3000 idle_timeout_ms: 600000 max_lifetime_ms: 1800000 leak_detection_threshold_ms: 60000 # 关键:连接泄漏检测② 工具层加”熔断 + 并发闸门”
// 工具执行器:每个 Tool 独立信号量 + 熔断器public class ToolExecutor { private final Semaphore gate = new Semaphore(8); // 单工具并发上限 private final CircuitBreaker breaker = CircuitBreaker.ofDefaults("query_supplier");
public ToolResult execute(ToolCall call) { if (!gate.tryAcquire(500, MILLISECONDS)) { return ToolResult.busy("工具繁忙,请稍后重试"); // 快速失败,不排队 } try { return breaker.executeSupplier(() -> doExecute(call)); } finally { gate.release(); } }}③ Agent 循环硬约束
agent: max_tool_calls_per_turn: 5 # 原来是无限 max_total_latency_ms: 15000 # 整轮硬超时 max_retry_per_tool: 2 # 原 5 次 → 2 次 on_budget_exceed: degrade_to_summary # 超预算降级为"已查到部分结果"④ 热点查询加两级缓存
把”供应商台账”这类低频变更的数据,用 Redis 缓存 60 秒,命中率实测 73.4%,直接砍掉七成数据库连接。
效果验证
| 指标 | 改造前 | 改造后 |
|---|---|---|
| Agent 链路数据库连接峰值 | 1180+ | 146 |
| 单轮工具调用平均次数 | 4.7 | 1.9 |
| 因 Agent 导致的连接池耗尽事故 | 3 次/周 | 0 |
| 工具调用 P99 延迟 | 2.4s | 610ms |
核心结论:传统接口的并发模型是”请求—响应”,Agent 的并发模型是”请求—循环—多次请求”,做容量规划时必须乘以一个 3~5 倍的放大系数。
四、踩坑三:流式响应”半截答案”,网关超时与 SSE 断连
现象
合同摘要功能用户投诉不断:“字打到一半就停了""要刷新三次才能出结果”。前端错误上报里 EventSource 异常占比 31%。
根因分析
三个原因叠在一起:
- 网关默认 60 秒超时:合同摘要平均生成耗时 42 秒,长合同(超 30 页)能到 90 秒,直接被 Nginx 掐断。
- SSE 心跳缺失:中间有一层云厂商 LB,空闲 45 秒自动断连,而我们的 SSE 流在模型”思考”阶段是没有任何数据下发的。
- 重试逻辑错误:前端断连后重连,Agent 侧把它当成新请求,从头重新生成——既浪费 Token,又让用户看到重复内容。
解决方案
① 逐层抬高超时,并统一时区对齐
# Nginxproxy_read_timeout 300s;proxy_send_timeout 300s;proxy_buffering off; # SSE 必须关,否则会攒包proxy_cache off;chunked_transfer_encoding on;# Spring Cloud Gateway(Spring Boot 3.x)spring: cloud: gateway: httpclient: response-timeout: 300s pool: max-idle-time: 300s② SSE 心跳 + 首字节尽早下发
// 每 15 秒推一个注释行心跳,防止 LB 判定空闲SseEmitter emitter = new SseEmitter(300_000L);ScheduledFuture<?> hb = scheduler.scheduleAtFixedRate(() -> { try { emitter.send(SseEmitter.event().comment("ping")); } catch (IOException e) { /* 已断开,忽略 */ }}, 0, 15, TimeUnit.SECONDS);
// 先推一个"已接收"事件,让首字节在 200ms 内到达emitter.send(SseEmitter.event().name("ack").data("{\"status\":\"accepted\"}"));③ 幂等 + 断点续传
给每次生成请求分配 request_id,服务端把已生成的片段写入 Redis(TTL 10 分钟)。前端重连时带上 request_id 和 last_seq,服务端只补发后续片段,而不是重新生成。
// 前端重连请求{"request_id": "gen_8f3a2b", "last_seq": 14}④ 长任务降级为异步 + 轮询
超过 60 秒的生成任务,自动转为异步任务模式:立即返回 task_id,前端每 2 秒轮询一次进度。这条兜底策略把”必失败”变成了”慢成功”。
效果验证
| 指标 | 改造前 | 改造后 |
|---|---|---|
| SSE 断连率 | 31% | 1.2% |
| 合同摘要平均完成率 | 68.5% | 99.1% |
| 因断连重试浪费的 Token 占比 | 22.7% | 3.4% |
| 用户投诉(周) | 47 条 | 3 条 |
一句话总结:流式输出不是”打开开关”就完事,它是一条跨越浏览器、CDN、LB、网关、应用、模型的七层链路,任何一层的心跳和超时没对齐,用户看到的就是半截答案。
五、踩坑四:上下文记忆成成本黑洞,月账单从 300 涨到 2.7 万
现象
POC 阶段一个月 Token 费用 312 元,正式上线第一个完整月账单 27,148 元,超预算 8.7 倍。财务直接把单子甩到我们桌上。
根因分析
拉出调用日志做归因,钱主要烧在三个地方:
| 成本项 | 占比 | 说明 |
|---|---|---|
| 历史对话全量回传 | 54.3% | 每轮都把全部历史塞进 context |
| 工具返回结果未裁剪 | 28.1% | 台账查询一次返回 200 行 JSON 全塞给模型 |
| 重复生成 | 12.6% | 断连重试 + 无缓存 |
| 其他 | 5.0% | 超长 System Prompt 等 |
最夸张的一条会话:用户在合同助手页面聊了 41 轮,第 41 轮的单次请求 input token 达到 62,400——因为前面每一轮的合同全文、工具返回、模型输出全在上下文里。
解决方案
① 滑动窗口 + 摘要压缩
def build_context(session, budget_tokens=8000): # 1. 保留最近 6 轮原文 recent = session.turns[-6:] # 2. 更早的轮次压缩成 200 字以内摘要 summary = session.rolling_summary or compress(session.turns[:-6]) # 3. 工具结果只保留结构化摘要字段 return assemble(system, summary, recent, budget_tokens)② 工具返回结果”瘦身”
台账查询工具不再返回原始 JSON,而是返回聚合后的结构化摘要:
{ "total": 128, "returned": 5, "columns": ["供应商", "区域", "超期天数", "未结算金额"], "top5": [ {"name": "华东-A 供应商", "overdue_days": 47, "amount": 1284000}, "..." ], "note": "完整明细请调用 detail 接口,page_size 默认 20"}单次工具返回的 token 量从 3,800 降到 420,降幅 89%。
③ 缓存 + 语义去重
同样的合同(按文件 MD5)摘要结果缓存 24 小时;同类台账查询做 60 秒结果缓存。命中率实测:合同摘要 41%,台账查询 73%。
④ 按场景路由模型
不是所有任务都值得上大模型:
model_routing: ticket_classify: gpt-4o-mini # 简单分类,便宜 20 倍 contract_summary: claude-sonnet # 长文本,长上下文更划算 ledger_query_plan: gpt-4o-mini # 只做意图规划和参数抽取 ledger_query_answer: gpt-4o # 最终自然语言组织顺带说一句,如果低代码平台本身提供了数据模型元信息(字段名、类型、枚举值),可以直接注入 Prompt 让模型少”猜”,这一项把工具调用的参数错误率从 18.3% 降到了 5.1%——这也是我们当初选 JNPF 时没预料到的隐性收益,元数据是现成的,不用另建一套 schema 服务。
效果验证
| 指标 | 改造前 | 改造后 |
|---|---|---|
| 月 Token 成本 | ¥27,148 | ¥6,830 |
| 单请求平均 input token | 18,400 | 3,100 |
| 合同摘要成本/份 | ¥2.41 | ¥0.52 |
| 重复生成浪费占比 | 12.6% | 2.1% |
成本优化的本质不是”用好模型”,而是”别把没用的东西塞给模型”。
六、踩坑五:权限穿透,Agent 借系统账号越权读写
现象
这是五个坑里唯一一个让我后背发凉的。
安全审计发现:一名外部供应商账号,通过自然语言查询功能,成功读取了另一家供应商的结算单价。日志里看不到明显的越权请求——因为请求是用 Agent 的服务账号 发出去的,数据源层面看来完全合法。
根因分析
低代码平台的数据权限通常靠行级权限规则实现,比如”供应商只能看自己名下的单据”。这套规则绑定在登录主体上。
而我们的 Agent 工具调用,走的是一个统一的服务账号,它对所有表都有读权限。用户的身份信息只存在于 Prompt 的”当前用户”字段里,没有传导到数据访问控制层。
于是形成了一条完整的越权链路:
用户输入 → Agent 规划 → 工具调用(服务账号) → 数据源(无行级过滤) → 返回全量数据 ↑ 用户身份在这里丢失了更深一层的问题:Agent 会把用户的自然语言直接翻译成查询参数。用户问”帮我查一下华东区所有供应商的账期”,模型生成的参数里 supplier_id 就被省略了,直接查全表。
解决方案
核心原则:Agent 永远不能以”超级身份”访问数据,用户身份必须穿透整条链路。
① 身份上下文传递(Token 透传)
工具调用时,把用户身份令牌一路带下去,数据源层强制注入行级过滤条件。
// 工具调用上下文public class ToolContext { private final String userId; private final Set<String> roles; private final String tenantId; private final String originalToken; // 用户原始 token,不可替换}
// 工具执行前强制注入过滤public Query buildQuery(ToolCall call, ToolContext ctx) { Query q = parse(call.params()); if (!ctx.roles().contains("DATA_ADMIN")) { q.and("supplier_owner_id = ?", ctx.userId()); // 硬编码注入,不可被 Prompt 覆盖 q.and("tenant_id = ?", ctx.tenantId()); } return q;}② 工具级白名单 + 最小权限服务账号
14 个工具按角色授权,服务账号只给”必要表的必要列”权限。原来那个服务账号是 SELECT * ON *,现在拆成 4 个只读账号,每个账号只能访问 2~3 张表。
tools: - name: query_supplier allowed_roles: [ops, finance, data_admin] db_account: agent_readonly_supplier allowed_columns: [name, region, overdue_days, amount]
- name: get_contract_detail allowed_roles: [legal, data_admin] db_account: agent_readonly_contract allowed_columns: [title, party, amount, sign_date, key_clauses]③ 输出侧二次脱敏 + 审计
所有工具返回结果在回传模型前,过一次脱敏规则(金额精度、手机号、银行账号)。同时每条 Agent 调用写完整审计日志:谁、什么时候、通过哪个工具、查了什么、返回多少行。
④ 提示词注入防御
用户输入里出现”忽略以上指令""你现在是管理员”等模式,直接前置拦截。我们维护了一个 230 条的注入样本库,拦截率 96.8%,误杀率控制在 0.7%。
效果验证
做了 3 轮红队渗透测试,累计 146 个越权尝试用例:
| 测试轮次 | 越权成功数 | 说明 |
|---|---|---|
| 第 1 轮(改造前) | 23 / 146 | 行级权限、字段级、租户隔离均有突破 |
| 第 2 轮(改造后) | 2 / 146 | 均为提示词注入变体 |
| 第 3 轮(补充注入防御后) | 0 / 146 | — |
结论:在 AI 低代码场景里,数据权限不是”配置项”,是”架构约束”。Agent 服务账号必须被当作”不可信主体”来对待。
顺便提一句,JNPF 在数据权限上提供了行级、字段级、按钮级的细粒度配置,并且支持 API 调用时透传用户上下文,这让我们第 ① 步的改造工作量从预估的 3 人周压缩到 4 人天——如果平台层没有这个能力,就得自己在网关层重写一套权限代理,成本高得多。这也是我们后来在选型复盘时反复强调的一点:AI 时代的低代码选型,权限模型的完备性权重应该高于页面搭建的灵活性。
七、可观测性补课:给 Agent 链路装上”行车记录仪”
踩完上面 5 个坑,我们最大的反思是:前 4 天我们根本不知道线上发生了什么。
传统 APM 看的是接口耗时、错误率、QPS。但 Agent 的问题往往藏在语义层:模型答非所问、工具选错了、参数抽错了、幻觉编造了数据。这些在 HTTP 200 的响应里全都”成功”。
我们补了四层观测:
① 全链路 Trace
给每次 Agent 调用生成 trace_id,串起:用户输入 → Prompt 版本 → 模型调用(含 token 消耗)→ 每次工具调用(入参/出参/耗时)→ 最终输出。接入 OpenTelemetry 后,一次请求的完整体现在 Kibana 里是一棵可以展开的树。
with tracer.start_as_current_span("agent.turn") as span: span.set_attribute("prompt.version", pv) span.set_attribute("agent.tool_calls", len(calls)) span.set_attribute("llm.input_tokens", usage.input) span.set_attribute("llm.output_tokens", usage.output) span.set_attribute("agent.degraded", degraded)② 语义质量指标
不看语义就等于闭眼开车。我们定义了 4 个可自动计算的指标:
| 指标 | 计算方式 | 告警阈值 |
|---|---|---|
| 工具选择准确率 | 与人工标注对比(抽样 50 条/天) | < 85% |
| 参数抽取完整率 | 必填参数缺失比例 | < 90% |
| 答案引用命中率 | 输出中的数字能否在工具结果中找到出处 | < 95% |
| 拒答合理率 | 该拒答时拒答的比例 | < 80% |
第三个指标特别有用——“答案里出现的每个数字,必须能在工具返回里找到出处”,这一条直接把幻觉编造金额类问题从 每周 11 起压到 0。
③ 成本看板
按”场景 × 用户 × Prompt 版本”三个维度切Token 消耗,设置日预算熔断:某场景日消耗超基线 200% 自动降级到小模型并告警。
④ 用户反馈回路
每个 AI 输出下方挂”👍/👎”,👎 的样本自动进入待标注队列。上线 6 周累计收集 2,847 条负反馈,其中 61% 直接变成了回归测试用例。
八、修复后的效果复盘:7 个指标的量化变化
两周修复,一次上线。以下是改造前 vs 改造后的完整对比,数据取上线后连续 28 天的平均值:
| # | 指标 | 改造前 | 改造后 | 变化 |
|---|---|---|---|---|
| 1 | Agent 链路 P99 延迟 | 8.4s | 1.9s | ↓ 77% |
| 2 | 请求超时率 | 6.7% | 0.3% | ↓ 95% |
| 3 | 工单分类准确率 | 61.3%(失控期) | 89.2% | ↑ 27.9pp |
| 4 | 合同摘要完成率 | 68.5% | 99.1% | ↑ 30.6pp |
| 5 | 月 Token 成本 | ¥27,148 | ¥6,830 | ↓ 74.8% |
| 6 | 数据库连接峰值 | 1180+ | 146 | ↓ 87.6% |
| 7 | P1 级生产事故 | 3 次/周 | 0(连续 11 周) | 归零 |
业务侧收益:工单平均处理时长从 4.2 分钟降至 1.1 分钟,合同审阅周期从 18 分钟降至 4.3 分钟,台账查询自助率 81%,数据组的需求工单量下降了 62%。
人力投入:6 人 × 3 周,其中约 40% 的时间花在了事后补可观测性和权限,如果一开始就做,能省一半。
九、避坑清单:企业级 AI 低代码落地的 12 条硬规则
最后把两周的血泪压缩成 12 条,可以直接拿去当 checklist 用。
关于 Prompt 与发布
- Prompt 必须版本化,进 Git,走 CI,禁止在生产配置页裸改。
- 任何 Prompt 变更必须过回归集,低于基线 95% 直接阻断。
- 灰度用影子流量,先看一致性再切真实流量。
关于容量与稳定性
- 给 Agent 乘 3~5 倍容量系数,它的并发模型和普通接口不是一回事。
- Agent 循环必须有硬预算:最大工具调用数、最大重试数、整轮超时,三个都要设。
- SSE 全链路对齐超时,网关、LB、应用三层都要改,加上 15 秒心跳。
- 长任务超过 60 秒就转异步,别指望流式连接扛住。
关于成本
- 上下文预算化:滑动窗口 + 摘要压缩,工具返回必须瘦身。
- 按场景路由模型,分类任务不要用旗舰模型。
- 缓存优先:结果缓存、语义缓存、文件级缓存,三层至少上两层。
关于安全
- 用户身份必须穿透到数据层,Agent 服务账号按最小权限拆分,行级过滤在代码里硬注入,不能依赖 Prompt。
- 所有 AI 输出过审计,可追溯”谁问了什么、调了什么工具、返回了什么”,同时建提示词注入样本库。
补充一条选型建议:如果团队正在做技术选型,建议把”权限模型完整度""数据源编排能力""元数据可导出”这三项的权重提到页面搭建能力之上——AI 层能不能做扎实,八成取决于底座给不给这些能力。我们在对比明道云、简道云、轻流、钉钉宜搭、织信、用友、泛微和 JNPF 时,最后拍板的依据也正是这三项,而不是谁的组件库更花哨。
最后一句真心话:AI 低代码不是”把大模型接进来就完事”。低代码解决的是确定性的组装效率,Agent 引入的是概率性的决策能力,两者之间需要一层全新的工程约束——版本、预算、权限、可观测性。这层东西没人替你写,但它才是能不能上生产环境的分水岭。
希望这份踩坑记录,能让你少踩几个。
参考文献
[1] 李斌, 陈晓东. 大语言模型应用工程化的可靠性挑战与实践路径[J]. 计算机工程与应用, 2025, 61(4): 1-14.
[2] 中国信息通信研究院. 低代码与智能体融合应用发展研究报告(2025年)[R]. 北京: 中国信息通信研究院, 2025.
[3] 张明远, 王雪. 面向 LLM Agent 的工具调用并发控制与资源隔离机制[J]. 软件学报, 2025, 36(2): 512-530.
[4] 工业和信息化部网络安全产业发展中心. 生成式人工智能应用安全风险评估指南(试行)[S]. 北京, 2024.
[5] OWASP Foundation. OWASP Top 10 for Large Language Model Applications v1.1[R]. 2024.