AI应用开发的技术栈和传统软件有重叠，但也有一些独特的“坑”。以下五个注意事项在项目规划阶段就应该考虑。

注意事项一：AI输出是概率性的，不是确定性的

同一个问题，AI可能给出不同的回答。这意味着测试策略需要调整：不能只测“输入A是否输出B”，而需要评估“回答质量是否在可接受范围内”。需要建立效果评估机制，定期检验AI表现。

注意事项二：Token消耗是“动态成本”

传统软件的服务器费用相对固定，AI应用的成本随使用量线性甚至指数增长。用户量增加、对话轮次变多、上下文变长，都会推高Token消耗。如果商业模式没有设计好，可能出现“用户越多、亏损越多”的情况。建议：设置用量监控和告警，对高频场景设计缓存策略。

注意事项三：RAG的效果取决于数据质量

检索增强生成（RAG）是让AI基于企业知识库回答问题的核心技术。但RAG的效果不取决于模型多强，而取决于知识库的质量——文档是否结构化、内容是否准确、更新是否及时。数据清洗和分块策略比模型选择更重要。

注意事项四：安全护栏不能“上线再说”

AI可能产生不当输出、泄露敏感信息、被恶意提示词攻击。安全护栏（输入过滤、输出审核、权限控制）应该在开发阶段就纳入设计，而不是上线后“发现问题再补”。特别是涉及客户数据的场景，需要设计租户隔离和数据脱敏机制。

注意事项五：AI能力在快速变化，架构要留扩展空间

大模型能力每几个月就有显著提升，今天需要复杂工程解决的问题，明天可能模型直接就能做。AI应用架构应该保持模块化——模型调用层、业务逻辑层、数据层分离，方便未来替换或升级模型。

爱得科技的实践建议：大连爱得科技在AI应用开发中，建议客户先明确“最小可用场景”，用MVP验证效果后再逐步扩展。AI项目的风险不在技术本身，而在“用AI解决一个不需要AI的问题”。