AI 项目的死亡谷在演示之后PoC 现场惊艳真上线三个月被用户和老板轮番质疑。原因很少是模型不行而是从演示到产品之间有一段没人走过的工程路。这篇是一份检查清单十个检查项过完再上线。数据与效果一建立评估集并有基线数据至少五十条真实场景测试题效果提升与回退都能量化。二确定错误容忍度与兜底路径模型会错错的时候用户看到什么转人工还是免责说明三数据权限方案落地检索与生成环节都按用户权限过滤实测验证过越权场景。成本与性能四单次调用成本核算清楚月度预算有公式可算异常流量有告警。五并发与延迟压测过高峰期能不能扛住、p95 延迟在用户可接受范围。六模型服务的降级方案存在上游限流、网络故障时业务是停止还是切换备用模型。安全与合规七提示注入的防御与红队测试外部内容会被模型读取的架构注入测试必须做过。八数据合规确认哪些数据可以送给模型尤其是外部 API、日志保留策略、用户告知。运营与迭代九监控三件套上线质量监控抽样评估 用户反馈入口、成本监控日账单与异常告警、性能监控延迟与错误率。十迭代机制存在负反馈进待办、评估集定期扩充、模型升级有回归流程。用法这十个检查项不是要全部完美才上线——那是永远上不了线。正确用法是逐项打分每项标注「已达标 / 有方案 / 未考虑」「未考虑」超过三项的项目大概率还没准备好面对真实用户。AI 项目的技术含量不在调模型在这段从演示到产品的路上。清单看着朴素能全部走完的团队已经跑赢了大多数。