wonder
f0245e926d
Deploy Slides / build-and-deploy (push) Successful in 1m13s
- why-not-x.md: Engineering decision rationale (Go vs Python, SQLite vs PG, etc.) - request-journey.md: Full HTTP-to-pixel request tracing with timing breakdown - lessons.md: 4 real engineering pitfalls and how they were solved - Wire all 3 new pages into slides.md in logical positions
32 lines
1.3 KiB
Markdown
32 lines
1.3 KiB
Markdown
# 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。
|
||
-->
|