一、我在一篇部署文档里读到了 AI 落地的问题
在 BackendWiki 翻 Docker 与 Nginx 专题时，看到一句很普通的话：先写清环境，再写步骤。
这句话放到 AI 项目上，恰好是很多团队缺的东西。
二、工程化的四个习惯，可以搬到 AI
习惯一：环境先固定。
Docker 的价值不是容器，是可重现。
AI 项目同理：同一个提示词，同一个模型版本，同一个参数。这三样不固定，效果无法复现。
习惯二：版本要能回滚。
部署有回滚，提示词也应该有。
我会把每版提示词存成文件，带上日期和效果备注。出事时能退回上一版。
习惯三：日志是第一位。
出问题时，能不能看到输入与输出，决定了排查速度。
很多 AI 应用不存日志，出了问题只能靠猜。
习惯四：监控指标要少而准。
三个就够：成功率、平均耗时、平均输出长度。
多了就没人看。
三、一个对照
| 工程习惯 | AI 项目里的对应 |
|---|---|
| 环境变量 | 模型、温度、最大长度 |
| 版本回滚 | 提示词版本与存档 |
| 访问日志 | 输入输出样本 |
| 健康检查 | 定时跑基准题 |
四、为什么这比调参重要
因为调参靠运气，工程靠确定性。
一个团队的提示词再好，如果没有版本与日志，三个月后没人能重现它。
五、一个最小的落地方式
就两个文件夹：
```
/prompts
2026-11-01_v1.md
2026-11-05_v2.md
/samples
baseline_20.jsonl
```
第一个存版本，第二个存基准样本。
每周更新一次，成本很低，回报很高。
六、一个提醒
不要把工程化搞成重流程。
两个文件就够了，一旦上系统，就没人维护。
七、一句总结
AI 落地失败的原因很少是模型不行，往往是没有把它当工程做。