从失败案例学到的十条教训

复盘这些年做 AI 项目的失败经历，总结出十条教训，每一条都有真实的“学费”支撑。

1. Demo 到产品的距离比想象远十倍。 十几个惊艳案例不构成上线依据，长尾输入才是真正的考验。

2. 没有评估集的迭代等于裸奔。 改 prompt 全凭感觉，最终会在某个时刻一起还回去。

3. 过度依赖单一供应商。 模型突然限流或涨价时才后悔没做抽象层——接口层设计要为“随时换模型”留后路。

4. 把用户的容忍度当无限。 AI 出错是常态，必须有兜底和补救设计，而不是祈祷它不出错。

5. 忽视成本监控。 一段失控的重试循环，一晚上烧掉一周预算。成本告警要和业务告警同等级别对待。

6. 上线后不收集反馈。 没有用户反馈闭环，产品停在 demo 水平就是宿命。点赞/点踩、错误上报，越早加越好。

7. 为了技术而技术。 用 Agent 解决一个 if-else 能解决的问题，复杂度反噬团队。

8. 数据脱敏做得太晚。 事后清理已入库的敏感数据，代价是事前的百倍。

9. 文档缺失导致知识流失。 核心成员离职，没文档的 prompt 和流程就成了黑盒。

10. 低估人的因素。 再好的 AI 工具，团队不信任、不会用、不敢用，价值就是零。推广 AI 时，培训和沟通的投入不能省。

总结：失败不可怕，可怕的是不沉淀。把这十条贴在工位上，比十本方法论都管用。