生产环境最佳实践与指南
面向将智能体 AI 系统从原型推进到生产环境的团队，本节汇聚了各关键生产问题的参考资料。每个页面聚焦一个具体的生产挑战，并以结构化最佳实践表格呈现：关键挑战 | 描述 | 经验教训与备选方案 | 已采用的解决方案。
本节页面
| 页面 | 内容概要 |
|---|---|
| 可观测性 | 链路追踪、指标、日志、评测、成本可见性、工具（Langfuse、LangSmith、Braintrust） |
| 状态与记忆管理 | 记忆分层、长期记忆策略、会话持久化、记忆解决方案（Mem0、Zep、AgentFS） |
| 部署 | GenOps、金丝雀发布、提示词版本管理、持久化执行、多智能体协调 |
| 智能体测试与评测 | LLM 充当评审、评测框架（DeepEval、RAGAS）、基准测试（GAIA、SWE-Bench）、平台 |
| 上下文工程 | 上下文腐化、上下文压缩、检索、隔离、缓存——参考 Manus、Anthropic、LangGraph 的实践 |
| 智能体安全 | 提示词注入、最小权限、人在回路（HITL）、审计追踪、NIST AI RMF、Google SAIF、AWS Scoping Matrix |
| 成本管理 | 模型路由、提示词缓存、Token 预算、成本监控、厂商专项指南 |
厂商最佳实践
主要 AI 厂商关于构建生产就绪智能体的行业指导：
通用生产原则
| 原则 | 原因 |
|---|---|
| 部署前先完成可观测性建设 | 事后补装可观测性远比一开始就内置困难得多 |
| 将提示词视为版本化制品 | 提示词变更的影响与代码变更相当——应像对待代码一样进行追踪、审查和回滚 |
| 对工具访问应用最小权限原则 | 权限过宽的智能体一旦出错，影响范围也会相应扩大 |
| 从第一天起设置成本告警 | Token 费用会悄无声息地累积；等到月账单才发现超支已为时已晚 |
| 在生产环境中持续测试 | 一次性的部署前评测无法捕捉随时间推移出现的质量漂移 |
| 为优雅降级做好设计 | 智能体应能安全失败——明确定义降级行为和人在回路（HITL）升级路径 |
| 在各处强制执行租户隔离 | 在多租户部署中，记忆、缓存和工具配置必须严格按命名空间隔离 |