如何跳槽商业航天，大佬们

最近的Harness Engineering，你可以理解成给 AI 模型戴上安全带、装上安全气囊的工程实践。过去两年，我们经历了两个阶段：Prompt Engineering（怎么问）、Context Engineering（喂什么料），但它们对付不了模型多步自主执行时的各种意外。文章中有一个生动的例子：让一个智能体写市场分析报告，前三步相当顺利，但到第七步突然开始胡编乱造，因为搜索返回的内容超出上下文窗口被默默截掉了；第十步输出一段残破的 JSON，整条链路就此夭折，只能重头再来。要解决这种问题，Harness Engineering 给出四个简单又实用的原则：能用代码约束的事儿，别指望模型...

有滴滴四月批的友友么，二面过了多久会有结果，Java（安全产品部 ）___________________________4.23oc

一、核心结论Agent 的出错/幻觉，不是单点问题，而是「模型原生不确定性 + RAG检索误差 + Prompt约束不足 + 工具链不可验证」的叠加效应。结合我项目落地经验，按优先级排序，幻觉的主要诱因的是：高概率：Prompt 缺少强约束，允许模型在“无证据、不确定”时硬答（核心可控）；次高：RAG 召回质量问题（切分不合理、过滤不到位、上下文拼接杂乱），给模型喂了无关“脏数据”，导致误导性幻觉；长期因素：模型本身能力边界（尤其本地小模型），属于原生短板，但占比最低。核心优化思路（不换模型）：把“模型自由生成”，改成“检索/工具可验证 + 受控生成”，用工程手段兜底，减少模型主观臆测空间。二...