在技术圈，最让人头疼的不是代码写不出来，而是业务目标不清晰、数据一团糟、预算算不清、上线没人用。做AI项目，技术的牛逼只是一方面，前期工程化思维的缺失往往是致命的。
这份自查清单分为三个阶段：定方向和底盘、看人和钱、定交付。
阶段一：定方向和底盘（前两项没想清，后面全白搭）
1. 明确业务目标
灵魂拷问：AI到底解决哪个业务痛点？
合格标准：能说清省多少人、提多少效、少多少错。
避坑指南：为了做AI而做AI，最后一定变成面子工程。
技术视角补充：在做技术选型前，先和业务方对齐KPI。是替换人工客服（降本），还是辅助代码生成（提效）？没有量化的业务指标，你的Prompt调得再好也是个玩具。
2. 盘点现有数据
灵魂拷问：文档在哪？谁能用？哪些绝对不能出内网？
合格标准：公开资料 / 敏感数据，先分清楚。
避坑指南：数据没盘点，模型再强也落不了地。
技术视角补充：数据是AI的燃料。在启动前，必须评估数据的量级、质量、标注成本以及数据脱敏方案。如果连内网数据孤岛都没打通，直接上大模型就是空中楼阁。
阶段二：看人和钱（这两项决定项目能不能跑起来）
3. 确定使用人群
灵魂拷问：谁天天用？谁偶尔看？培训谁负责？
合格标准：至少锁定一个高频岗位先跑通。
避坑指南：没人用，系统就是摆设。
技术视角补充：不要一上来就搞全员普及。找一个高频、痛点最深、容错率相对较高的部门（如内部IT支持、营销文案生成）作为MVP（最小可行产品）试点，跑通闭环后再推广。
4. 规划整体预算
灵魂拷问：一次性开发费 + 后续运维 / 调用 / 迭代费是多少？
合格标准：不只问“多少钱能做”，要问“一年总成本多少”。
避坑指南：只看开发价，后面容易超预算。
技术视角补充：AI项目的成本大头往往在后期。Token消耗、GPU算力租赁、向量数据库维护、模型微调、RAG检索的工程维护，这些都是持续烧钱的地方。一定要算好一年的TCO（总拥有成本）。
阶段三：定交付（最后两项提前写清楚，交付少扯皮）
5. 评估部署方式
灵魂拷问：API调用 / 内网私有化，怎么选？
合格标准：看数据敏感度、预算、运维能力。
避坑指南：数据敏感，就别只看便宜。
技术视角补充：
API调用：初期成本低、开箱即用，但数据出境有合规风险，且长期调用费用不菲。
私有化部署：数据安全，但要考虑买卡成本（GPU）、机房成本以及专职运维/算法人员的人力成本。
6. 提前约定验收指标
灵魂拷问：准确率？节省工时？响应速度？谁验收？
合格标准：效果标准写进合同，不靠口头承诺。
避坑指南：验收不清，交付必扯皮。
技术视角补充：千万不要接受“答得差不多就行”这种模糊验收标准。必须定义明确的指标：如精确率/召回率、P99响应延迟、并发量、幻觉率上限，并把测试集和评测方案（如LLM-as-a-judge）作为合同附件。
AI落地是一项系统工程。先定方向和底盘，再算人和钱，最后提前写清楚交付标准。
各位技术负责人、项目经理，你们在推进AI项目时踩过最大的坑是什么？欢迎在留言区吐槽交流！
(方法论来源：国启未来 AI 科技实战总结)
