本章小结

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。 OpenAI o1 很强，Claude 3.5 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？如何通过微调小模型来达到大模型的效果？

接下来将进入第十章，学习 Optimization & Tuning。

➡️ 成本优化与性能调优