从 Prompt、评测、可观测性、成本、延迟、安全和回滚七个维度检查 LLM 应用是否适合上线。

生产 AI 应用可以根据任务类型、成本、延迟和风险选择模型，并设计失败降级路径。

Local-first AI 适合隐私敏感、离线可用和个人知识管理场景，但要处理模型能力、同步和设备资源限制。

MCP Server 不只是技术集成，还要设计权限、输入 schema、工具粒度、审计和用户确认流程。

AI SaaS 通常需要把 Next.js 页面、API、任务队列、模型调用、结果存储和可观测性拆清边界。

选择 Agent 框架时，要评估工具调用、状态管理、可观测性、权限、部署和退出成本。

内部 AI 工具要产品化，需要补齐权限、日志、用户反馈、成本、稳定性和维护 owner。

Prompt Injection 防护需要用越权、角色伪装、检索污染和工具滥用样例持续验证。

RAG 系统需要同时评估检索召回、引用质量、答案正确性、拒答边界和用户任务完成度。

生产 AI 应用应先定义输出 schema、错误状态和兼容策略，再设计 Prompt 和后处理。

Agent 架构需要拆清任务计划、工具调用、上下文记忆、权限控制、状态机和可观测性边界。

对比 Kiro、OpenSpec 和 Spec Kit 的关注点，帮助团队选择适合自己的 AI 规格驱动开发路径。

团队落地 AI 工程需要统一工具、上下文、评测、权限、成本和知识沉淀，而不只是购买账号。

选择向量数据库时，要从数据规模、过滤条件、更新频率、混合检索、权限和运维成本出发。

Agent 工具调用提示词需要明确工具边界、参数契约、确认条件、失败处理和审计信息。

高质量提示词的核心是上下文组织，本文拆解事实、指令、示例、历史和检索内容的边界。

Few-shot 示例能提升稳定性，也可能引入偏差。本文说明示例选择、排序、覆盖和更新方法。

面向产品和创业读者的 Prompt 工作流：先定义用户场景、输入来源、输出标准和失败处理，再打磨表达。

提示词工程不只是写好一句话，而是把目标、上下文、约束、输出契约和验证方式组织成可维护系统。

Prompt 评测需要覆盖主路径、边界条件、恶意输入、缺信息和回归样例，而不只是看几个漂亮输出。