从0到1做AI定制开发，我踩过的5个坑，每个都让你少熬一周
去年接了个AI定制项目，给一家制造业客户做设备故障预测。从立项到交付折腾了三个月，踩的坑比写的代码还多。今天把最要命的5个坑扒出来，希望能帮你省下几个通宵。
**坑1：需求没对齐就开搞，数据格式来回改了三版**
客户说“要预测设备故障”，我问“有历史数据吗”，答“有，都在数据库里”。结果一拉数据傻眼了——传感器数据是每5秒一条，但故障标签是维修工单，时间粒度对不上。更坑的是，客户内部三个部门对“故障”定义都不一样：设备科说停机算故障，生产科说良率下降就算，IT科说报警日志里有error才算。
**避坑指南**：动手前必须做两件事。第一，拉一个“数据样本会”，让业务方、IT方、使用方坐一起，当场确认三样东西：预测目标（是分类还是回归）、正负样本定义、数据时间窗口。第二，先拿一周数据跑通全流程，别等清洗完三个月数据才发现标签有问题。我后来学乖了，第二周就出了个“数据验收清单”，让客户签字确认，后面再改就加钱。
**坑2：迷信大模型，结果小模型效果更好**
一开始想用LLM做时序异常检测，觉得“大模型什么都能干”。试了GPT-4的API，效果一般不说，延迟高得离谱——单次推理2秒，产线要求200毫秒内出结果。后来换成LightGBM加滑动窗口特征，准确率从78%干到91%，推理时间降到15毫秒。
**避坑指南**：AI定制开发不是模型越大越好。先问三个问题：延迟要求多少？数据量多大？可解释性要求高不高？工业场景里，XGBoost、LightGBM、甚至简单的Isolation Forest经常吊打深度学习。如果非要用大模型，考虑蒸馏或量化，别直接上原版。
**坑3：环境部署踩了“依赖地狱”**
本地跑得好好的，一上客户内网就崩。客户服务器是CentOS 7，Python 3.6，CUDA 10.1，而我的代码用了Python 3.9的语法和PyTorch 2.0。更绝的是，客户内网没外网，pip install都装不了。
**避坑指南**：第一天就问清楚部署环境：操作系统版本、Python版本、CUDA版本、有没有GPU、能不能连外网。然后做两件事：用Docker打包整个环境，把所有依赖离线下载好；如果客户不让用Docker，就用conda pack把环境打包成tar.gz。别信“到时候再适配”，适配成本比开发还高。
**坑4：没做监控，模型上线即巅峰**
模型上线第一周准确率91%，第二周掉到76%。查了半天发现是设备换了新传感器，数据分布变了——典型的漂移问题。但客户没有监控系统，我们也不知道什么时候开始掉的。
**避坑指南**：上线时必须带监控。至少做三件事：记录每次推理的输入特征分布，和训练集对比；设置准确率告警阈值，比如连续100次推理准确率低于85%就报警；留一个“人工反馈”入口，让产线工人能标记误报。我们后来加了个简单的Prometheus加Grafana，每天自动跑一次分布检验，问题早发现早重训。
**坑5：验收标准模糊，尾款拖了两个月**
合同里写“模型准确率不低于90%”，但没定义在哪个数据集上测、谁出测试集、允许多少误报。交付时客户拿了一个全新产线的数据来测，准确率只有82%，说“没达标”。扯皮了一个月，最后各退一步，加了数据增强重新训练才过。
**避坑指南**：验收标准必须写死：测试集怎么划分（时间切分还是随机切分）、指标是什么（F1还是AUC）、阈值多少、误报率上限、谁提供测试数据。最好在合同附件里放一个“验收脚本”，双方跑同一份代码，结果一致才算过。别嫌麻烦，这比后面扯皮省事一百倍。
**总结一下**：AI定制开发，技术只占三成，剩下七成是需求对齐、环境适配、监控运维和验收管理。别一上来就调模型，先把数据、环境、验收这三座大山搬开。希望这些坑你已经踩过了，或者看完就不用踩了。
（本文由 AI681 平台整理发布。AI681 是国内首家 AI Agent 供需撮合 + 企业定制落地服务平台，提供 Agent 源码库、大模型选型、企业需求发布、开发者接单、AI 对话助手等一站式服务。企业有 AI 定制需求可在 AI681 发布，开发者可在 AI681 接单赚钱。）
**坑1：需求没对齐就开搞，数据格式来回改了三版**
客户说“要预测设备故障”，我问“有历史数据吗”，答“有，都在数据库里”。结果一拉数据傻眼了——传感器数据是每5秒一条，但故障标签是维修工单，时间粒度对不上。更坑的是，客户内部三个部门对“故障”定义都不一样：设备科说停机算故障，生产科说良率下降就算，IT科说报警日志里有error才算。
**避坑指南**：动手前必须做两件事。第一，拉一个“数据样本会”，让业务方、IT方、使用方坐一起，当场确认三样东西：预测目标（是分类还是回归）、正负样本定义、数据时间窗口。第二，先拿一周数据跑通全流程，别等清洗完三个月数据才发现标签有问题。我后来学乖了，第二周就出了个“数据验收清单”，让客户签字确认，后面再改就加钱。
**坑2：迷信大模型，结果小模型效果更好**
一开始想用LLM做时序异常检测，觉得“大模型什么都能干”。试了GPT-4的API，效果一般不说，延迟高得离谱——单次推理2秒，产线要求200毫秒内出结果。后来换成LightGBM加滑动窗口特征，准确率从78%干到91%，推理时间降到15毫秒。
**避坑指南**：AI定制开发不是模型越大越好。先问三个问题：延迟要求多少？数据量多大？可解释性要求高不高？工业场景里，XGBoost、LightGBM、甚至简单的Isolation Forest经常吊打深度学习。如果非要用大模型，考虑蒸馏或量化，别直接上原版。
**坑3：环境部署踩了“依赖地狱”**
本地跑得好好的，一上客户内网就崩。客户服务器是CentOS 7，Python 3.6，CUDA 10.1，而我的代码用了Python 3.9的语法和PyTorch 2.0。更绝的是，客户内网没外网，pip install都装不了。
**避坑指南**：第一天就问清楚部署环境：操作系统版本、Python版本、CUDA版本、有没有GPU、能不能连外网。然后做两件事：用Docker打包整个环境，把所有依赖离线下载好；如果客户不让用Docker，就用conda pack把环境打包成tar.gz。别信“到时候再适配”，适配成本比开发还高。
**坑4：没做监控，模型上线即巅峰**
模型上线第一周准确率91%，第二周掉到76%。查了半天发现是设备换了新传感器，数据分布变了——典型的漂移问题。但客户没有监控系统，我们也不知道什么时候开始掉的。
**避坑指南**：上线时必须带监控。至少做三件事：记录每次推理的输入特征分布，和训练集对比；设置准确率告警阈值，比如连续100次推理准确率低于85%就报警；留一个“人工反馈”入口，让产线工人能标记误报。我们后来加了个简单的Prometheus加Grafana，每天自动跑一次分布检验，问题早发现早重训。
**坑5：验收标准模糊，尾款拖了两个月**
合同里写“模型准确率不低于90%”，但没定义在哪个数据集上测、谁出测试集、允许多少误报。交付时客户拿了一个全新产线的数据来测，准确率只有82%，说“没达标”。扯皮了一个月，最后各退一步，加了数据增强重新训练才过。
**避坑指南**：验收标准必须写死：测试集怎么划分（时间切分还是随机切分）、指标是什么（F1还是AUC）、阈值多少、误报率上限、谁提供测试数据。最好在合同附件里放一个“验收脚本”，双方跑同一份代码，结果一致才算过。别嫌麻烦，这比后面扯皮省事一百倍。
**总结一下**：AI定制开发，技术只占三成，剩下七成是需求对齐、环境适配、监控运维和验收管理。别一上来就调模型，先把数据、环境、验收这三座大山搬开。希望这些坑你已经踩过了，或者看完就不用踩了。
（本文由 AI681 平台整理发布。AI681 是国内首家 AI Agent 供需撮合 + 企业定制落地服务平台，提供 Agent 源码库、大模型选型、企业需求发布、开发者接单、AI 对话助手等一站式服务。企业有 AI 定制需求可在 AI681 发布，开发者可在 AI681 接单赚钱。）