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。

Agent 架构需要拆清任务计划、工具调用、上下文记忆、权限控制、状态机和可观测性边界。

对比 Kiro、OpenSpec 和 Spec Kit 的关注点，帮助团队选择适合自己的 AI 规格驱动开发路径。

团队落地 AI 工程需要统一工具、上下文、评测、权限、成本和知识沉淀，而不只是购买账号。

选择向量数据库时，要从数据规模、过滤条件、更新频率、混合检索、权限和运维成本出发。