AI Product Development 是一个面向 AI 产品开发的技能，目标读者是负责把 LLM 功能交付到生产环境的工程师。资料将其定位为：演示容易、生产困难，因此需要把提示词当作代码、校验所有输出、绝不盲目信任 LLM。
用途 该技能用于指导 AI 产品功能的工程化落地，帮助开发者在构建 LLM 功能时避免只做出能跑通的演示，而是考虑生产环境中的可靠性、成本与安全。
主要能力与推荐模式 资料列出以下模式：
- 带校验的结构化输出：使用函数调用或 JSON 模式，并配合 schema 校验。
- 带进度的流式输出：流式返回 LLM 响应，以展示进度并降低感知延迟。
- 提示词版本化与测试：在代码中对提示词进行版本管理，并用回归测试套件进行测试。
反模式 资料指出以下反模式及其原因：
- 演示级产品（Demo-ware）：演示会掩盖问题，生产环境会暴露真相，用户会很快失去信任。
- 上下文窗口堆砌：成本高、速度慢、会触及上限，并用噪声稀释相关上下文。
- 非结构化输出解析：会随机出错、格式不一致，并存在注入风险。
风险点与处理方向 资料以表格形式列出若干“Sharp Edges”，包括问题、严重程度与解决方向：
- 未校验就信任 LLM 输出：critical，解决方向为始终校验输出。
- 用户输入未经净化直接进入提示词：critical，解决方向为多层防御。
- 向上下文窗口塞入过多内容：high，解决方向为发送前计算 token。
- 等待完整响应后才展示任何内容：high，解决方向为流式返回响应。
- 未监控 LLM API 成本：high，解决方向为按请求追踪。
- LLM API 失败时应用崩溃：high，解决方向为纵深防御。
- 未核实 LLM 响应中的事实：critical，解决方向为针对事实性声明进行处理。
- 在同步请求处理器中进行 LLM 调用：high，解决方向为异步模式。
使用方式 资料未提供具体的安装命令、代码示例或调用步骤，仅给出上述模式、反模式与风险处理方向。
适用场景 适用于需要将 LLM 功能投入生产、关注输出校验、提示词管理、流式体验、成本监控与故障容错的 AI 产品开发场景。
限制 资料未说明该技能支持的平台、依赖、收费方式或具体实现细节；上述内容均以资料中明确列出的模式、反模式与风险点为准，未展开的部分暂未提供。