ChatGPT与大模型研究

许多组织正在实施内部开发平台（Internal Development Platform，IDP），将其作为一个集中式自助门户，让工程师能够完成日常任务，而不必依赖那些需要按请求履行任务的中心化专业团

既然我们已经讲过了一些基础内容，接下来我们将通过一家虚构公司的实际运作，来看看如何应用其中的一些概念。这家公司在完成云迁移之后，当前的可观测性实践开始暴露出问题。它是一家大型组织，业务覆盖多个市场，其

“我们该如何为关键的 Tier 1 API 端点配置 10,000 条自定义服务级目标（SLO）告警？我又该如何为排名前 100 的应用创建仪表板？”这是我们经常从工程师和应用负责人那里听到的问题。这

既然我们已经讲完了可观测性，接下来就需要看看 AI，以及为了将可观测性与 AI 集成起来以实现 AIOps 所需的各个组成部分。虽然我们预期你已经对 AI 有一定了解，但我们仍然加入这一章，既作为总结

如何证明可观测性的价值？关键不在于采集更多数据，而在于把这些数据转化为信息，使你的组织能够基于更充分的信息做出决策，以更高效地运营业务！ 在第一章中，我们将为你概览我们认为关于可观测性你所需要了解的一

先看我用AI生成的PPT效果，3张图分别截取自3个技术方案，后面会放出每个方案的完整PPT。 1、使用Nano Banana Pro生成 2、使用Claude Cowork编辑已有的PPT模板生成 3

最近后台经常会收到一个提问，就是我的RAG经常打捞上来一个相似性分数极高，但是完全不可用的内容，到底要怎么办？ 这背后，其实是个传统 RAG在设计最底层的想当然：相似度高 = 结果好。但这套逻辑在生产

你已经走到了构建智能系统这段旅程中的一个关键节点：制高点（the vantage point） 。此刻，你已经能够看清：要构建一台 Context Engine，究竟需要怎样的架构能力；你也已经理解了

在前面的章节中，我们已经成功把 Context Engine 锻造成一套强大的多智能体系统。我们对其组件进行了生产级强化，为其设计了可验证研究能力，并为它配备了内容审核与策略驱动控制等关键防护机制。如

在过去几章中，我们已经构建出一套完整的 Context Engine：它是一个模块化、透明、且可验证的架构，能够推理、规划，并解释自身的决策。它可以智能摘要信息，带着引用去检索事实，并抵御数据投毒。简

在前面的章节中，我们已经成功构建出一套稳健且高效的 Context Engine。我们打造了一套能够进行推理、规划复杂工作流，并管理自身运行成本的系统。现在，我们要迈向把这套系统真正提升为企业级资产的

本章标志着一次重要转向：我们将直面企业级 AI 中最核心的业务挑战之一——如何管理大规模上下文所带来的财务成本与技术成本。我们将通过引入一种新的能力——上下文缩减（context reduction）

在第 4 章中，我们构建了一个可运行的 Context Engine 原型——这是一个由一组专用智能体驱动、并由 LLM 驱动的 Planner 进行引导和调度的智能编排系统。由此产生的 notebo

在前面的章节中，我们学习了如何自下而上地进行上下文工程，并构建智能体系统。但随着这些系统不断扩展，拥有更多智能体、更多职责、更多活动部件，它们会变得越来越难以管理。这正是 Context Engine

在第 8 章中，我们探讨了 AI 驱动型应用的架构模式，并在概念层面介绍了 agentic workflow。现在，我们将从“架构”转向“这些系统在生产环境中运行时的实际挑战”。由于 2026 年的

在前面的章节中，我们已经演示了如何在 Kubernetes 上部署像 vLLM 这样的模型服务、如何打包模型数据，以及如何在生产规模上运行推理。在这一基础之上，我们现在将把视角从“服务单个模型”转向“

虽然模型训练涵盖了 LLM 的整个生命周期——从预训练（pre-training） ，到对齐（alignment） ，再到定制化（customization） ——但上一章聚焦的是模型定制化，因为这是

从零开始训练一个 LLM，需要大量计算资源和专业能力，而这是大多数组织都不具备的。本章不会讨论如何从头创建模型，而是聚焦于：如何针对你的具体用例，对一个已有的 LLM 进行定制化。我们将介绍几种常见的

在第 1 章中，我们学习了如何从零开始，通过一个简单的编码示例，把 LLM 部署到 Kubernetes 上。整套技术栈包括：一个模型服务端 vLLM，用于优化模型执行；以及一个 Model Serv

到目前为止，你很可能已经把自己的第一个 LLM 部署到 Kubernetes 上运行了。 它能够响应请求，延迟表现甚至可能还不错。 但所谓生产环境，并不是“能跑一次”就够了，而是要能够稳定地跑、在规模