很多 AI 项目最大的隐患，不在上线前，而在上线后的迭代漂移。

上线前夕，团队会集中人力全量测试、集中整改问题、集中盯住效果；正式投产之后，Prompt 迭代优化、知识库增补更新、底层模型切换、工具链路扩容、业务流程微调，每一处改动看似细微，日积月累就会引发隐性劣化：回答口径跑偏、资料引用丢失、违规拒答变少、调用成本攀升、客诉数据持续走高。

最危险的是，这种劣化往往不是一次性爆雷，而是慢慢发生。

今天改一条 Prompt，明天补一批知识库，后天切一个模型参数，短期看都像是优化；等问题集中暴露时，团队已经很难说清：到底是哪一次改动，让系统开始越改越差。