很多 AI 项目并不是模型能力不够，而是在开发前没有定义清楚要替谁解决什么问题。下面这 6 个问题，适合在写代码和选择模型之前先确认。
1. 谁会在什么场景下使用？
不要只写“企业用户”或“内容创作者”。需要进一步明确使用者的角色、频率、设备和当前做法。一个每天处理上百条咨询的客服，和偶尔需要总结会议的管理者，对速度、准确率和交互方式的要求完全不同。
最好能写出一句具体描述：某类用户在某个场景下，因为现有方法存在某个问题，所以需要这个产品。
2. AI 到底要完成哪个任务？
“做一个智能助手”不是可执行需求。可以把任务拆成检索资料、提取信息、生成草稿、调用系统、等待确认和提交结果等步骤。任务越具体，越容易判断哪些步骤交给模型，哪些步骤应该使用确定性的程序逻辑。
3. 输入数据从哪里来？
知识库、业务数据库、网页、文件和第三方 API 的更新频率与权限各不相同。项目早期就需要确认数据能否获得、格式是否稳定、是否包含敏感信息，以及错误数据由谁维护。没有可靠数据，再好的模型也只能给出不可靠答案。
4. 怎样判断结果是好的？
上线前准备一组真实任务作为评测集，并为每个任务定义通过条件，例如答案必须引用来源、字段提取准确率达到要求、关键操作必须经过人工确认。只凭“看起来不错”验收，很难持续优化。
5. 成本和速度是否能接受？
模型调用、向量检索、文件解析和第三方 API 都会产生费用与等待时间。需要按真实使用量估算单次任务成本，并为超时、失败和额度用尽准备降级方案。
6. 出错以后怎么办？
AI 产品必须设计可恢复路径：让用户查看引用、修改输入、撤销操作、转交人工，并记录关键日志。涉及发布、付款、删除数据等高风险动作时，应当加入明确的权限和人工确认。