从0到1做AI定制开发，这5个坑我替你踩了
先说背景：我们团队花3个月给某制造企业做了一套质检AI，从需求调研到上线，踩了无数坑。这篇不聊高大上的架构，只讲实操中那些文档里不会写的坑，希望能帮你少走弯路。
**坑1：需求方说的‘准确率’和你想的不一样**
客户说‘准确率要95%以上’，你以为是指标，其实是业务场景。他们真正想要的是‘漏检率低于1%’，而准确率95%在样本不均衡时可能毫无意义。
建议：调研时一定要问清楚‘错误代价’——是漏检更严重还是误检更严重？然后定义明确的评估指标（如F1、召回率、精确率），并写进合同。否则模型上线后，对方拿一个你从未见过的指标来验收，你会很被动。
**坑2：数据标注远比想象中耗时耗钱**
我们最初计划2周标完5000张图，结果花了5周。原因：质检场景缺陷种类多、形态各异，标注规范反复修改，返工率高达40%。
建议：
- 先做小批量试标（50-100条），和标注团队对齐规范，再大规模启动；
- 标注规范要包含边界案例（例如划痕多深算缺陷）；
- 预留至少30%的时间buffer给标注返工。
**坑3：模型在测试集上表现好，一上生产就崩**
我们的模型在实验室测试集上F1达0.93，上线后第一天就频繁误报。原因：生产环境的光照、角度、相机参数与训练数据分布不同。
建议：
- 在项目初期就采集生产环境的真实数据（哪怕少量），而不是用公开数据集或模拟数据；
- 上线前做‘影子模式’（模型与现有流程并行跑，不干预决策），收集真实分布数据；
- 设计简单的域适应策略，比如图像归一化、数据增强（随机亮度、噪声）。
**坑4：模型迭代不是技术活，是项目管理活**
客户经常在开发中途提出新需求，比如‘顺便把尺寸测量也做了’。如果不控制范围，项目会无限延期。
建议：
- 明确MVP（最小可行产品）边界，新需求统一进‘v2’；
- 建立版本管理机制，每次模型更新都要记录数据、参数、效果，方便回溯；
- 定期（每周）给客户演示中间结果，避免最后一次性交付时对方说‘这不是我们想要的’。
**坑5：部署环境比模型本身更折腾**
客户现场只有一台旧Windows服务器，没有GPU，还要支持实时检测。我们被迫用OpenVINO做推理优化，折腾了2周才达到实时。
建议：
- 需求调研时就要确认部署环境（CPU/GPU、操作系统、内存、并发量）；
- 提前做推理性能测试，不要等模型训练完才考虑；
- 如果条件受限，考虑用轻量级模型（如MobileNet、YOLO-tiny）或模型蒸馏。
最后，想说的是：AI定制开发，技术只占50%，另外50%是沟通、数据管理和预期管理。希望这些经验能帮你避开暗坑。有问题欢迎评论区交流，我会尽量回复。
（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：需求方说的‘准确率’和你想的不一样**
客户说‘准确率要95%以上’，你以为是指标，其实是业务场景。他们真正想要的是‘漏检率低于1%’，而准确率95%在样本不均衡时可能毫无意义。
建议：调研时一定要问清楚‘错误代价’——是漏检更严重还是误检更严重？然后定义明确的评估指标（如F1、召回率、精确率），并写进合同。否则模型上线后，对方拿一个你从未见过的指标来验收，你会很被动。
**坑2：数据标注远比想象中耗时耗钱**
我们最初计划2周标完5000张图，结果花了5周。原因：质检场景缺陷种类多、形态各异，标注规范反复修改，返工率高达40%。
建议：
- 先做小批量试标（50-100条），和标注团队对齐规范，再大规模启动；
- 标注规范要包含边界案例（例如划痕多深算缺陷）；
- 预留至少30%的时间buffer给标注返工。
**坑3：模型在测试集上表现好，一上生产就崩**
我们的模型在实验室测试集上F1达0.93，上线后第一天就频繁误报。原因：生产环境的光照、角度、相机参数与训练数据分布不同。
建议：
- 在项目初期就采集生产环境的真实数据（哪怕少量），而不是用公开数据集或模拟数据；
- 上线前做‘影子模式’（模型与现有流程并行跑，不干预决策），收集真实分布数据；
- 设计简单的域适应策略，比如图像归一化、数据增强（随机亮度、噪声）。
**坑4：模型迭代不是技术活，是项目管理活**
客户经常在开发中途提出新需求，比如‘顺便把尺寸测量也做了’。如果不控制范围，项目会无限延期。
建议：
- 明确MVP（最小可行产品）边界，新需求统一进‘v2’；
- 建立版本管理机制，每次模型更新都要记录数据、参数、效果，方便回溯；
- 定期（每周）给客户演示中间结果，避免最后一次性交付时对方说‘这不是我们想要的’。
**坑5：部署环境比模型本身更折腾**
客户现场只有一台旧Windows服务器，没有GPU，还要支持实时检测。我们被迫用OpenVINO做推理优化，折腾了2周才达到实时。
建议：
- 需求调研时就要确认部署环境（CPU/GPU、操作系统、内存、并发量）；
- 提前做推理性能测试，不要等模型训练完才考虑；
- 如果条件受限，考虑用轻量级模型（如MobileNet、YOLO-tiny）或模型蒸馏。
最后，想说的是：AI定制开发，技术只占50%，另外50%是沟通、数据管理和预期管理。希望这些经验能帮你避开暗坑。有问题欢迎评论区交流，我会尽量回复。
（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。）