# 踩坑与收获

真实的工程教训

<v-clicks>

<Item title="🕳️ 坑 1：AI 输出不可控">
最初没有质检节点，生成的精灵表经常缺帧、错位。**解法**：引入 QualitySupervisor + 重试机制，用视觉模型自动校验。
</Item>

<Item title="🕳️ 坑 2：LLM 调用成本高">
每次生成都调 LLM 优化提示词，API 成本飙升。**解法**：无 Key 自动回退模板生成，开发环境零成本。模板也能生成三段式结构化提示词。
</Item>

<Item title="🕳️ 坑 3：并发请求重复生成">
用户连续点两次"生成"，同一个素材生成了两遍。**解法**：`hash(prompt+type+params)` 去重，相同参数直接返回已有 taskId。
</Item>

<Item title="🕳️ 坑 4：Redis 挂了限流也挂了">
一开始限流依赖 Redis，Redis 宕机时整个生成接口不可用。**解法**：fail-open 策略，Redis 不可用时自动放行，保障核心业务。
</Item>

</v-clicks>

<div v-click class="mt-4 text-center text-gray-400 text-sm">
  <b>最大的收获</b>：AI 应用的核心不是调 API，而是工程化 — 可靠性、一致性、成本控制
</div>

<!--
这些都是我们实际遇到的问题。做 AI 应用和做传统 Web 应用最大的区别就是：AI 的输出是不确定的，你需要用工程手段去兜底。
-->