本周的十五篇选文指向同一条主线：AI 工程正从“看效果”走向“建系统”。一边是方法论的重申——用 eval、数据飞轮与统计思维驯服概率模型，把“感觉还行”变成可量化的成功标准；另一边是基础设施的猛进——Cloudflare OS 与 DeepSeek Harness 都在重新定义 Agent 的运行环境，让每个应用成为可被 AI 修改的私有沙箱。与此同时，多款模型的同日发布与激进定价，让模型选型从一次性决策变成常态化的成本与能力权衡。把这些放在一起，能读出正在成形的共识：模型能力只是入场券，围绕不确定性建造的评测、权限与架构，才是下一代工程师真正的护城河。
本文是一篇 AI 工程师的角色入门导读，基于 Latent Space 的《The Rise of the AI Engineer》展开。核心论点是用 API 边界区分 AI 工程师与 ML 工程师：前者调用模型构建应用，后者构建模型服务本身。文章明确 AI 工程师不需要线性代数或从零训练模型，但需要扎实的软件工程基础、评测体系与反馈回路设计；它同时澄清 AI 工程师与使用 Copilot/Cursor 的 AI 辅助开发者的区别，并认为 Web 开发者的交付导向习惯可直接迁移。文中还插入了 AI Hero 技能包的推广块，内容整体偏定义介绍而非实操细节。
本文是一篇面向初学者的 LLM 概览，将大模型比作一份用 16-bit 浮点数编码的压缩文件，参数就是模型的“大脑”。文章依次介绍推理（inference）、采样策略（greedy、top-k、top-p、temperature）、tokenization，以及 pre-training 与 post-training 两阶段的训练流程，并给出粗略成本量级：约 10TB 文本、6,000 块 GPU 跑 12 天、花费约 200 万美元，产出 140GB 权重文件。结尾引用 Karpathy 的 LLM 入门视频与 Anthropic 的可解释性研究。内容刻意保持浅显，对熟悉 LLM 的一线工程师几乎没有新信息，适合刚入门的读者建立基本直觉。
文章指出，构建 LLM 应用需要从确定性系统思维转向概率性系统思维：输入与输出不再一一对应，用户可能以难以预料的方式使用系统。作者用“Vibes-Only Trough”描述 demo 阶段看似可用、但缺乏真实数据支撑的状态，并主张通过“数据驱动斜坡”逐步建立评测体系。核心方法是先定义可量化的成功标准，例如情感分类系统要求 92% 的人工标注一致率、95% 的请求在 500ms 内完成、高置信度预测与人类判断匹配率达到 90%。随后要从每个用户交互中收集数据，从简单的点赞/点踩按钮开始，逐步构建更复杂的数据管道。作者坦言第一版产品通常不会好，因为数据不足，波动是概率系统的固有属性，关键是系统化追踪每次迭代。适合正在把 LLM demo 推向生产的工程师，以及需要建立评测文化的团队。
Andrew Ng 团队基于 1 万多条招聘信息、数十次专家访谈与问卷调查，发布 AI 工程技能图谱，将开发者应掌握的能力归纳为四项：构建与部署 AI 应用、软件工程基础、高效使用编码 agent、以及参与定义需求（shaping the build）。文章指出，AI 应用输出不可预测，因此需要借助统计方法与系统化的 eval 和错误分析来加以约束；软件工程知识决定了你能否用好编码 agent，而 agent 能力增强后，工程师的价值正从实现转向定义 spec 与做出成本、扩展性、安全之间的权衡。适用于想规划学习路径的开发者，以及希望以更准确标准招聘 AI 工程师的团队。
本文是一篇 LLM 工具选型指南。作者梳理了 LLM 目前的四个真实用途：把非结构化数据转成结构化表格、打标签与分类、问答、以及 Agent 化操作。他特别强调不要一上来就做“套壳聊天机器人”，因为护栏永远有漏洞，并举了 Gemini 被越狱要求用户“please die”的例子。文章的核心论断是：只要能确定性实现，就该用确定性系统；LLM 只适合两类任务——雇人做太贵（数据清洗、分类）或确定性系统搞不定（问答、生成、Agent）。适合正在决定哪些模块该上 LLM 的工程师阅读。
在 LLM 应用中，输入与输出不再有确定性映射，任何小改动都可能改变全局行为。本文提出 Evals 是 AI 工程师的单元测试，也是从概率系统中压出可预测性的核心工具。文章拆解了三种评测方式：可写成断言的确定性 Eval、成本高但必要的人工评估，以及用另一个 LLM 打分的 LLM-as-a-Judge，并建议分层运行以控制成本。随后介绍数据飞轮：把用户的负反馈转成新的 eval 用例，形成持续改进循环。工具层面对比了云端平台 Braintrust 与作者维护的本地运行库 Evalite（基于 Vitest）。适合正在把 LLM 原型推向生产的工程师，用于建立可量化的质量反馈体系。
本文给出提升 LLM 应用性能的 17 种手段，并特意按实施成本从低到高排列成“复杂度地狱阶梯”：先改提示词、加角色设定、用 XML 标签和结构化输出，再尝试思维链、多示例、温度调节与工具调用；只有这些简单手段用尽后，才考虑 RAG、切块、智能体循环、并行调用、评估-优化器、路由器和微调。作者强调改善系统的本质是“先改进评估，再改进系统”，并给出可验证的 trade-off：CoT 以延迟换质量，智能体循环更灵活但每步决策更慢，路由器能绕过单模型约 30 个工具的限制但增加一次串行调用。适合正在做 LLM 应用迭代、需要一份按成本排序的优化清单的一线工程师。
选 LLM 看起来是单次决定，实则要随新模型和产品演化反复重做。本文把选型拆成五个问题：开源还是闭源、成本、延迟、性能、上下文窗口。开源模型需要自行托管或走 API 供应商（Hugging Face、Groq），闭源模型由模型厂商托管，按 token 计费，价格战愈演愈烈。延迟的测量要看 TTFT 和 TPOT；性能先参考公开榜单（Chatbot Arena、Open LLM Leaderboard），但榜单存在过拟合风险，真正的验证只能在应用内用自建 evals 进行。推理模型（如 o1）在编程和数学上更强，但要付出更高的 token 成本和更长响应时间。上下文窗口同时计入输入与输出 token，RAG 中的 chunking 等模式就是在有限的窗口里塞进更多信息。适合刚开始做模型选型的 AI 应用开发者。
作者以个人开发者视角，记录 DeepSeek V4 Pro 与 Grok 4.6 同夜发布后的选型变化。关键数据：DeepSeek V4 Pro 百万输出 Token 0.87 美元，约为 Claude Fable 5 的 1/57，Terminal Bench 2.1 得分 87.9（Fable 5 为 88.0），DeepSWE 从预览版 12.8 升至 62.7；Grok 4.6 输入/输出定价 2/6 美元每百万 Token，作者实测连续开发 4 小时仅消耗 SuperGrok Heavy 周额度 2%。作者同时承认不可能三角未完全打破：DeepSeek 仍缺多模态且速度一般，Grok 在纯开发与 Agent 场景逊于 Fable 5。适合关注大模型选型、成本优化与开发速度的 AI 工程师。
作者以 Grok 4.6 作为主力模型使用数周，覆盖编码与知识工作，并用同一提示词与 4.5 做对照。核心发现：短提示词配合明确偏好，效果接近两页纸的详细规格；真正拉高结果的是追加一句“实现后验证并迭代到生产可用”，让模型打开应用、点击真实路径、修正嵌套公式。4.6 在浏览器自动化、视觉 QA、收件箱清理、Excalidraw 改造等任务上表现稳定，但 3D 与视频仍需人工检查，因为模型无法通过截图验证时间维度的正确性。作者疑似 xAI 成员，文章带有发布推广口吻，但方法论与提示词例子有参考价值，适合用 Cursor 等 AI 编码工具的工程师。
Z.ai 发布 GLM-5.3，强调与 GLM-5.2 共用同一个 base model，所有提升都来自 post-training 扩展：持续扩大长程任务环境，并用流水线合成可执行、可验证的环境与 reward，训练栈沿用 IndexShare、SAO 和 slime。代码与 agent 能力在公开榜单上普遍上升，例如 Terminal-Bench 3.0 从 4.6 涨到 28.3，DeepSWE v1.1 从 46.2 升到 66.9。文章最值得注意的是“涌现式网络攻防能力”：ExploitBench 从 24.4 翻倍到 54.4；真实代码库评估中，在 269 个项目里发现 2436 个漏洞，最老的可追溯到 1981 年，Z.ai 为此建立了公开披露台账。工程侧，slime 通过本地缓存、训练-rollout logprob 对齐（1e-7）和负载感知调度，把长程 coding RL 的端到端吞吐提升 2.3×。API 上 thinking 不能再关闭，迁移需改用 reasoning_effort；权重将在安全加固完成两周后开源。适合关注 RL 后训练、agent 评测和 AI 安全披露的工程师阅读，注意所有跑分均为厂商自报。
AI Hero 发布的一份 AI 编程术语词典，把 Agent 工程中的常见概念压缩成短条目：从 Token、Next-token prediction、Context window 到 Handoff、Compaction、MCP。词典的价值不在逐条定义“是什么”，而在给出可操作的区分：parametric knowledge 与 contextual knowledge 决定模型能知道什么；attention budget 随上下文变长而被摊薄，会话会从 smart zone 滑向 dumb zone；Spec、Ticket、Handoff artifact 构成跨会话工作的交接机制；AGENTS.md 是项目写给 Agent 的 standing brief。适合正在使用 Claude Code、Cursor 或自建 Agent 系统、需要统一术语表的工程师阅读。
Cloudflare OS 是 Cloudflare 内部自用、现已开源的企业级 AI 生产力环境，定位是“公司操作系统”兼“AI 工作负载操作系统”。它不是传统 OS，而是一套把办公套件、应用开发与安全管控统一起来的平台：每个文档或工具都是一个由 AI 生成、独立沙箱运行的“Gadget”应用，用户可随时让内置 agent 修改代码；外部服务访问由“Gatekeeper”按能力安全模型逐项授权并审计，还支持把需要人工确认的操作推迟到之后批量审批。整套系统运行在 Cloudflare Workers / workerd 之上，深度使用 Durable Objects、Dynamic Workers 和 Facets，并默认具备实时多人协同。适合关注 AI 智能体基础设施、边缘计算平台与 AI 编程工具的工程师阅读或二次开发。
Cloudflare 开源其内部 AI 工作平台 Cloudflare OS，目标是把 Agent 从程序员扩展给全体成员。核心不是又一个聊天工具，而是一个绑定公司上下文与系统的工作区：Agent 默认零权限，通过 typed binding 拿到受限资源；Gatekeeper 作为外部服务与 Agent 之间的代理，持有凭证、执行策略并记录每次读取。当 Agent 把敏感数据做成仪表盘再共享时，平台会依据观察日志复核查看者权限，防止旁路泄露。应用即 Worker，每个应用拥有自己的 SQLite 状态，Agent 也能调用用户构建的方法。所有模型调用经 AI Gateway 统一控管。适合关注 Agent 基础设施、权限治理与内部工具平台工程的人阅读。
DeepSeek 在 V4 Pro 发布后正式推出自己的 Agent 产品 DeepSeek Harness，核心口号是一切皆插件。它的内核名为 Cordis，只负责插件的加载、卸载与依赖管理，支持在 Agent 运行中热插拔，并用 88 页论文定义了时间/空间可组合性。UI、工具、Skills、存储、Agent 循环全部以插件形式暴露，官方预设 100 多个一方插件，也开放社区插件入口。安装只需一条 `npx @deepseek-ai/dsh web`，且未锁死在自家模型上，可以接入其他厂商的 Base URL 和协议。文章拆解了标准、PTC、极简、创造四种模式，其中创造模式允许 Agent 检查自身运行环境、现场创建并挂载新插件；会话被设计成只追加事件日志，失败后可按来源查看轨迹，便于审计和复现。作者也指出 V4 Pro 涨价明显，缓存命中价涨了 12 倍、高峰输出 27 元，且 Harness 对普通用户门槛高、UX 粗糙，更适合关注 Agent 可组合性与基础设施设计的工程师。
每周把值得读的拣成一期，直接寄到你邮箱。留个邮箱即可，没有广告。