> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/claude_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/claude_guide/di-si-bu-fen-shi-zhan-pian/09_practical/summary.md).

# 本章小结：AI 落地最后一公里

技术只有产生了价值，才是好技术。 本章走出了代码编辑器，进入了繁杂的真实商业世界。

## 核心知识点回顾

### 客户服务

* 不要做那个只知道推卸责任的机器人。
* 利用 **RAG** 赋予它知识，利用 **Tools** 赋予它权力，利用 **Persona** 赋予它温度。
* 记住：**Human Handoff** 不是失败，而是负责任的体现。

### 文档处理

* **Claude Vision** 让 OCR 变成了 “OCR + Understanding”。
* 从合同比对到发票录入，AI 正在重构 Back-office 的工作流。
* 关键点在于 **Structured Output** (JSON)，这是连接 AI 与 ERP 的桥梁。

### 数据分析

* **Code Interpreter** 模式比单纯的 LLM 推理更可靠。让 AI 写代码去算数，而不是自己心算。
* **Text-to-SQL** 打开了数仓的大门，但必须做好权限隔离和语句审查。

### 质量保证

* 不仅是写单测。
* **Visual Regression Testing** 利用 AI 的眼睛去发现 UI 错位，这是传统工具做不到的。
* **Log Analysis** 利用 AI 的大脑去从海量日志中定位根因。

## 开发者自检清单

* [ ] **高频场景**：我选择的落地场景是否是高频、重复且枯燥的？（如发票录入）
* [ ] **容错设计**：如果 AI 判错了发票金额，我的系统有对应的审核流程 (HITL) 吗？
* [ ] **数据安全**：在处理客户数据时，我是否进行了脱敏？是否符合 GDPR？
* [ ] **用户预期**：我是否明确告知用户对面是 AI？

## 下一站：精打细算

企业应用如果不计成本，那是不合格的。 GPT-5.5-pro 很强，Claude Opus 很强，但它们都很贵。如果你的应用每天有 100 万次调用，每一分钱的 Token 成本都至关重要。 如何让 AI 跑得又快又省钱？如何用提示缓存、批处理和模型分层路由，把账单砍掉一个数量级？

接下来将进入[第十章](/claude_guide/di-si-bu-fen-shi-zhan-pian/10_optimization.md)，学习 **Optimization & Tuning**。

➡️ [成本优化与性能调优](/claude_guide/di-si-bu-fen-shi-zhan-pian/10_optimization.md)

***

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/claude_guide/issues) 或 [PR](https://github.com/yeasy/claude_guide/pulls)。