智能体从演示走到生产，先补最弱的那一层

做 AI 应用交付，演示能跑不等于能上线。先做十道自评，找出最弱的一层，按 0 到 6 的顺序补；跳级通常会在评估或置信度那步失效。
The Heap 上这份分层指南把话说得很直：模型是概率性的，生产环境要的是保证。保证不是把模型改成确定性系统，而是把它的工作缩到“必须靠判断力解决的那个最小决策”，再用能测试、能拦截、能审计、能观测的确定性机制包住。模型只是普通工程系统里的一个受控组件。

七层里，你的团队卡在哪一层

这份材料把落地分成 0 到 6 层，每层都假定下面一层已经成立，后面还挂了 21 篇逐层深挖：

• 0 笔记本：一个提示词、一个模型、一条顺利路径的演示。缺口信号是“它在我给的例子上能跑”。
• 1 确定性：代理只提议，不直接改业务状态；每项能力是固定步骤图；模型被限制在一个节点；循环有边界。缺口信号是代理能写业务状态，行为取决于它自己绕到哪。
• 2 评估：评估进 CI 门禁，有基线看漂移，生产流量做影子评估。缺口信号是改完提示词只能祈祷，评估还躺在 notebook 里。
• 3 置信度：置信度是组合出来并校准过的，设自动与人工的阈值，抽样做评审。缺口信号是直接拿模型原始置信度做动作，没有弃权路径。
• 4 安全与治理：输入、输出、PII、校验、评审多层护栏，默认拒绝；敏感数据在边界脱敏或哈希；审计账本只追加；记忆按租户隔离。缺口信号是只有一个内容过滤，原始输入全进日志，审计还能改。
• 5 可运维：能看到决策、护栏拦截、token 成本和人工接管率；有模型路由和降级；有秒级停止开关。缺口信号是质量或成本出事，你先从账单和客户投诉里知道。
• 6 生产级构建：连构建过程本身都有纪律，给编码代理一套操作系统，多个代理围绕决策日志并行。缺口信号是关键决策靠口口相传，每隔几周重新吵一遍。

这七层最容易被误读成成熟度徽章。它不是。顺序不是建议，是依赖关系：没有确定性，评估失败时你分不清是模型判断错了还是代理绕路绕错了；没有基线，评估门禁会退化成“跑通就算过”；没有弃权路径，置信度校准只会让错误决策更自信；护栏如果不是 fail closed，那它只在演示里好看；停止开关要发版才能生效，那就不叫停止开关。

十道自评，别做成自我感动

指南给了十条勾选项，号称 90 秒能做完；少于一半打勾，说明你比演示呈现出来的更早期：

1. 代理只能提议，变更由独立组件在批准后应用。
2. 每项能力是固定步骤，模型只是其中一步。
3. 提示词或模型变更导致质量回退时，CI 会失败。
4. 每次发布都和基线比，不只看一条及格线。
5. 决策带组合、校准过的置信度，低置信度转人工。
6. 护栏分层且 fail closed。
7. 敏感数据在边界脱敏或哈希，审计账本只追加。
8. 面板能看到决策、拦截、token 成本和人工接管率。
9. 不发布也能在几秒内停掉自动决策。
10. 关键决策写在人和代理都能读的日志里。

这份清单最大的坑是自评。自评最容易变成团队互相安慰：十条都能勾，证据可能一条都拿不出来。判断一个团队是不是真的到了某一层，别听“我们有”，要看东西：CI 里最后一次被拦下的质量回退是什么，评估基线长什么样，低置信度进了哪个人工队列，停止开关最近一次演练是什么时候。拿不出记录，那一层就是名义上的。尤其是“我们有评估”这句话，如果评估从来没让一次发布失败过，它更像 notebook 里的装饰。

面 ai agent开发 岗位时，这套模型比背八股有用

已经拿到面试、想判断团队成熟度时，可以直接问，不用绕：

• 这项能力里，模型在哪一个节点？谁负责应用变更？答案含糊，确定性这层就存疑。
• 最近一次提示词变更被 CI 拦下是什么时候？拿不出例子，评估大概率还停在本地。
• 低置信度会走到谁那里？没有人工队列，置信度只是口号。
• 护栏拦不住时是放行还是拒绝？fail open 的护栏比没有护栏更危险。
• 线上出问题，几秒能停？要发版才能停，可运维这层还没到。
• 关键决策有日志吗？只散落在聊天记录里，等于没有。

这些问题不是刁难面试官，是判断你进去以后做产品还是做演示。招聘方也能反过来用：与其问候选人会不会某个框架，不如让他讲一次质量回退怎么被 CI 拦住、一次低置信度怎么转人工。能讲清楚流程的人，比能背模型参数的人更接近生产。

现在就要动手，先做哪三步

1. 选一条最靠近钱或客户状态的链路，把步骤画出来，标出模型节点。代理只提议，应用变更由独立组件在审批后执行。先做一条，不要全量重构。
2. 把一条真实的提示词或模型变更做成回归用例，进 CI，和基线比。没有基线就先记录当前通过的样例和输出，别急着设阈值。
3. 给低置信度加人工路由，再检查护栏是否 fail closed、审计是否只追加。最后才是面板和停止开关；顺序反了，你会先得到一堆好看的数字，却不知道数字意味着什么。

六周作品集能补到哪一层

TechEmpower 的招生页把“六周做出一个作品集级 LLM 应用”当卖点，下一期写的是 2026 年 6 月 1 日开班，报名表还会问 Python 和 Git 经验。这能解决“没有项目可讲”的问题，但解决不了“系统能不能被依赖”的问题。按这套分层，一个只跑顺利路径的代理项目最多证明你摸到了 0 到 1 层；面试官如果只问用了什么框架，很容易把演示讲成生产。
还有个时间上的小问题：这份材料写于 2026 年 10 月 19 日，而招生页的“下一期”是 2026 年 6 月 1 日。这个日期已经过去了。看到旧招生页，先别把它当成当前档期，更别把“结课作品”直接等同于生产经验。
十道题里先勾出你能拿出证据的那几条，剩下的就是下一步。先补最弱的一层，比再换一个模型更快。