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。