AI项目管理与落地

文档将会持续更新
一、项目分类
AI agent
AI memory
训练数据采购
大模型 基模
埋点
用户画像：包括用户基本信息、用户偏好（音乐、车控车设）、用户习惯（出行饮食）

二、核心概念
LLM（基础模型）：大语言模型本质是“预测引擎”，基于预存文本拉取模式，并不真正理解事实或道德。在SOP阶段，必须高度关注Context Window（上下文窗口）大小对长文档处理的影响，以及Token计费对量产成本的致命影响。
Sub Agent（子智能体）：并非简单的API调用，而是具备“规划-执行-反思”闭环的实体。其工程难点在于多智能体协作（Multi-Agent System）时的通信协议，以及如何防范死锁和循环调用。
VLM（视觉语言模型）：通过融合视觉模块（如ViT），将能力从“文本世界”延伸至“视觉世界”。在工业级应用中，需关注其“端到端”能力与传统CV+LLM方案的对比；目前VLM泛化能力强，但在高精度检测上可能仍需结合传统算法。
多模态/全模态：
舱内外识别：

三、 AI项目落地的核心难点与应对
芯片价格与算力成本：不仅是硬件采购价，更要关注推理成本（Inference Cost）。随着用户量增加，GPU租赁或电费可能成为SOP阶段最大的OPEX（运营成本）。此外，需警惕高端AI芯片因供应链受限带来的黑市溢价及断供风险，必须提前规划国产替代方案的测试与验证。
数据质量与数据飞轮：POC阶段的数据往往是“精挑细选”的。SOP阶段必须建立自动化数据清洗、标注和回流机制，让模型在真实场景中自我迭代。行业数据显示，数据准备通常消耗AI项目30%-50%的预算。
采购周期与地缘政治：核心硬件（如高端AI芯片）供应链紧张，采购周期长，存在断供或延期风险。需建立B角供应商体系以应对不确定性。
隐藏的长期维护成本：AI系统并非静态交付。模型部署后会出现“数据漂移”，需要持续监控和重训练。年度维护成本通常占原始开发成本的15%-30%，这在项目初期的预算中极易被忽视。