《AI Agent 工程实战》15.2 输出侧：敏感信息、越狱与幻觉引用校验
本节给 ResearchCopilot 补上输出侧三道关：① 敏感信息用正则加结构化检测，命中就脱敏或拒答，并讨论误伤；② 越狱与不当内容靠独立于模型的检查层，不指望提示词；③ 幻觉引用校验把每条引用回语料核对（存在吗？支持吗？）。真跑三条答案，打印三道关各自的判定与最终处置，并给出校验项清单表。
category
Agent
共 150 篇文章。
《AI Agent 工程实战》15.1 输入侧：提示注入与越权工具拦截
本节给 ResearchCopilot 立起输入侧护栏：先讲清 Agent 特有的四个注入面，重点剖析检索文档里的间接注入为何最危险，再落分层防御——内容与指令分离、工具白名单与参数校验、危险动作人审、长度与频率限制。用一段自造的含注入指令假文档，真跑无防护版（删除真被执行）与有防护版（注入被当资料、危险工具被拦）两次轨迹。
《AI Agent 开发入门》15.3 成本与用量核算
把 ModelResponse.usage 的 input_tokens/output_tokens 累加起来，乘上一张示例价目表算出每次 run 的估算成本。给出 CostTracker：按 run_id、session_id、tool 三个维度聚合 token 与美元。用带 usage 的假模型跑三次 run，真跑打印每 run 成本与累计表，讲清成本核算为什么必须按这三个维度切。
《AI Agent 开发入门》15.2 结构化日志与关联 ID
用标准库 logging 加一个 JSON formatter，把每个事件输出成一行结构化日志（ts/level/event/run_id/session_id/span_id/tool/duration_ms）。run_id 作为关联 ID 贯穿一次运行的所有日志，把散落的行串成一条线。用假模型跑两次 run，真跑打印 JSON 日志，演示用 run_id 过滤出单次运行的完整轨迹。
《AI Agent 开发入门》15.1 运行追踪
把一次 run 建模成 span 树：root 是一次运行，子 span 是每次模型调用、每次工具调用、每个子 Agent。用 Span 承载 name/start/end/parent_id/attributes，用 contextvar 维护父子关系，实现 Tracer 的 start_span/end_span/export，用假模型真跑打印带耗时的 span 树。
《AI Agent 高级编程》7.3 安全与成本：不可逆动作沙箱与人工确认
7.1 点错坐标、7.2 点错按钮，后果可能只是一次空操作，也可能是一笔真实转账。本节把「不可逆动作」单独拎出来：先给风险三级分级表，再讲 dry-run / 审批回调 / 配额上限三道防线，并用一个可运行的最小沙箱真跑「高危动作二次确认」——批准转账、拒绝发信、配额拦下删除，最后实测截图体积随分辨率的增长。
《AI Agent 高级编程》7.2 浏览器 Agent：Playwright 工具化完成网页取数
7.1 用坐标点屏幕，通用但昂贵；本节退一步，用 Playwright 把浏览器操作工具化，对本地 file:// 静态页面真跑取数、点击、读文本。用 Node 版 1.59.1 演示 createRequire 加载全局包，把 goto/click/read_text/extract_table 包成可序列化工具，再用 ARIA snapshot 替代截图观察，最后给出三种观察口径对照表。
《AI Agent 高级编程》7.1 Computer Use 基础：截图/坐标动作/循环最小实现
Computer Use 的循环拆开只有三件事：截图、输出坐标动作、再截图。本节先用 PIL 合成一块 320×200 的假屏幕，再让脚本化假模型依次吐出 type / click 动作，真跑一遍「截图 → 动作 → 再截图」的最小闭环；随后对照 Anthropic computer use 工具的真实动作空间，说明我们简化掉了什么、这套循环的边界在哪。
《AI Agent 工程实战》14.3 吞吐与并发压测：找容量上限与拐点
用纯标准库 asyncio 写一个极简压测器（固定并发、固定请求数，统计 QPS/P50/P95/错误率），对第 8 章的并发受限服务跑 4 档并发。真跑显示 QPS 在并发 8 附近见顶（110→176 后不再涨），延迟却从 45ms 涨到 224ms，拐点清晰；再加请求超时后 QPS 会虚高而错误率飙到 87%，并给出容量规划余量。
《AI Agent 工程实战》14.2 成本优化：缓存、路由、小模型降级 + 评测兜底
成本优化三招：缓存命中即零模型成本、按难度路由分流、上下文瘦身。本节给路由写判定规则并真跑对比「全用强模型」与「按路由分流」：100 条请求（简单/复杂各半）总成本从 1.200 降到 0.738 美元、降到 0.61 倍，平均得分只掉 0.012，并强调任何降本改动都必须过第 12 章的评测兜底。
《AI Agent 工程实战》14.1 延迟剖析：模型/检索/工具各占多少
Agent 的延迟结构跟普通 Web 服务完全不同，大头在模型调用而非 CPU。本节给一次 run 的模型、检索、工具、序列化四个阶段分别计时，真跑打印各阶段耗时与占比表，再实测「同步阻塞拖垮异步服务」：在 async 路由里调同步 IO 会让并发 5 个请求的墙钟从 201ms 涨到 1029ms。
《AI Agent 开发入门》14.3 幂等与副作用
Agent 会因为重试、检查点恢复、模型重复调用而执行同一个工具。本节先讲清重复的来源，再给出由「工具名 + 规范化参数」生成的 idempotency_key，用 IdempotentRegistry 记录已执行的副作用并返回缓存结果，并区分只读工具（天然幂等）与写工具（必须防护）。用脚本化的假模型让同一写操作被调用两次，真跑证明第二次命中幂等缓存、副作用只发生一次。
《AI Agent 开发入门》14.2 超时、取消与结构化并发
Agent 一轮并发调多个工具时，一个慢工具就能拖住整轮。本节用 asyncio.timeout 给单个协程设墙钟上限，再用 asyncio.TaskGroup 做结构化并发，任一子任务超时或失败则整组取消，不留孤儿任务。给出 run_with_timeout 与 run_tools，并用注入的慢工具真跑，打印超时触发、任务被取消、finally 全部执行、残留任务为 0 的证据。
《AI Agent 开发入门》14.1 分类错误与重试
把 Agent 遇到的错误分成可重试与不可重试两类：网络抖动、限流 429、临时 5xx 走指数退避加抖动重试，参数错误 400、权限 403、校验失败直接判死。给出 classify 与 with_retry 两个函数，讲清工具错误回灌给模型换策略、模型错误交给重试的分工，并用脚本化假调用真跑「前两次失败第三次成功」，打印退避间隔与实际尝试次数。
《AI Agent 高级编程》6.3 与自研检查点对照：轮子与现成品边界
卷一 7.3 的自研检查点只够单机单进程，现成 Durable Execution 框架替你做了什么？本节把自研检查点、LangGraph 检查点、Temporal 类模型逐项对照：真跑 LangGraph 的 InMemorySaver，看它在崩溃后续跑、人在环 interrupt 的行为，再把自研日志引擎的存储换成 SQLite，最后给出「何时自研够用、何时该上框架」的选型边界表。
《AI Agent 高级编程》6.2 确定性重放与副作用：模型调用变可重放步骤
持久化执行要能重放，前提是每一步都确定。本节把模型调用变成可重放的步骤：把输入输出录到 tape，重放时命中记录就不再真调模型；再演示副作用（写文件、发通知）如何用幂等键隔离成只生效一次的步骤。真跑给出「record 2 次真调 → replay 0 次真调、输出摘要哈希不变」的证据，并实测跨进程不确定性来源与两类重放失败症状。
《AI Agent 高级编程》6.1 为什么需要持久化执行：崩溃/重启/长任务改造
Agent 一次任务要跑几十步、跨小时甚至跨天，进程一崩内存里的进度就全没了。本节用一个 append-only 日志把多步任务改造成可持久化执行：真跑一个在第 3 步硬崩溃的任务，第二次运行从日志跳过已完成步骤、只重放未完成部分，并用对照实验证明「有日志」比「从头重跑」少花模型调用。
《AI Agent 工程实战》13.3 告警与 on-call：从 trace 到告警演练
告警要少而准：给出覆盖成功率、P95 延迟、单 run 成本、工具错误率、队列积压的规则表，讲 SLO 与错误预算（99% 成功率每月可消耗多少失败）与连续窗口门槛为何能压噪声。真跑一个极简告警求值器，喂正常与劣化两段序列，打印触发判定；末尾给从告警定位到具体 run 与工具的演练脚本。
《AI Agent 工程实战》13.2 指标与看板：延迟/成功率/成本/工具错误
把 13.1 的 span 数据聚合成四类指标：延迟分位（P50/P95/P99）、成功率、每 run 成本、按工具名分组的错误率，讲清平均值为何被长尾骗、直方图与摘要的差别、以及 run_id 当标签会炸掉时序库的基数问题；给出四块看板布局。真跑 200 次模拟 run，打印分位表与错误工具 Top 榜。
《AI Agent 工程实战》13.1 结构化日志与追踪：OTel GenAI 语义约定埋点
把一次 run 变成 span 树：agent.run 下挂 model.complete 与 tool.call，用 contextvars 传递当前 span 建立父子关系，并行工具的 span 并列成兄弟；日志走 JSON 行，带 trace_id/run_id/workspace_id。OTel 只装了 API 未装 SDK，故用标准库实现最小 span 模型并对齐 GenAI 字段名。