AI Agent 與開發 第 6 頁

AI 模型突然變笨，原因不一定在模型。用固定 10 題、三次重跑與盲評，分清品質回歸、服務塞車、路由、effort、快取與配額變化。

單機 Prefix Cache 命中，多 Worker 仍可能因路由、排隊與搬運變慢。本篇用分層驗收矩陣、route receipt 與五場故障演練，教你驗收跨 Worker Agent KV Cache。

RTK 能把命令輸出壓短，卻不保證任務更便宜。這篇用同 Repo 的 ON／OFF 工作簿，教你同時計算成功率、Token、重試、recall 與每次成功成本。

LiteLM 把多供應商 routing 與格式轉換縮進約 3,100 行 Python，但它不是完整 Gateway。本文用本機 contract tests、故障注入與 trace 收據，教你判斷何時能用、何時要補 Proxy 與控制面。

小模型猜得準仍可能變慢。這篇用 Qwen3-8B＋DFlash 拆解 draft-and-verify，提供固定版本、負載與 VRAM 的五步 A/B，讓你用 SLO 決定開或關。

測試全綠仍可能累積重複與複雜度。這篇用 Code Sloppiness 的 Verbosity、Erosion 建 baseline，教你把 AI 大型 PR 做成可抽查、可逐步收緊的 CI Budget。

同一 model slug 回 200 OK，不代表拿到可用內容或相同能力。這篇提供六道可重跑的 OpenRouter Provider 契約 gate、Node.js 核心 runner 與 release policy，讓你在正式環境前抓出工具、歷史、視覺與路由故障。

從四個核心物件開始，用 Python 建立 OpenAI Agents API 雲端 Agent，實際演練 stream 中斷、saved items 復原、取消、artifact 與 hosted／self-hosted 安全邊界。

不用三張 GPU，先用 Python Mock 拆解 Gander 的小腦、Runtime 與大腦，實作插話、取消、逾時、去重與雙重交付閘門。