一开始做AI项目的时候我有一个很自然的判断模型越强项目就越容易成功所以那时候我会花很多时间在选模型比能力看效果调参数总觉得问题的核心在“技术本身”。一、但后来做项目多了之后这个判断开始动摇真正开始落地一些功能之后我发现一个很现实的情况很多项目的问题根本不在模型甚至可以说模型换不换影响没有想象中大。二、一个很具体的例子我做过一个比较简单的功能 自动生成内容摘要一开始我会做很多优化换更强的模型调 prompt调输出格式但效果其实差异不大。真正影响结果的反而是一些“非模型因素”输入内容是否干净数据结构是否统一业务逻辑是否清晰用户输入是否稳定有一段时间我甚至发现模型只是最后一步前面的不确定性更大三、第二个更明显的例子上线之后的问题在本地测试的时候一切都很好。但上线之后问题开始出现用户输入格式不统一数据质量参差不齐使用场景完全不可控这时候不管模型多强都只能在“混乱输入”里做有限优化四、我开始意识到一个变化以前我觉得模型能力 项目上限后来变成真实瓶颈 输入 业务 使用环境换句话说模型只决定“能不能做”现实决定“能不能用好”五、真正限制项目的东西开始变了做多之后才慢慢意识到很多问题根本不在AI本身而在数据是否干净用户是否按预期使用需求是否清晰流程是否合理这些东西比模型本身更难控制。六、一个很现实的变化以前我会纠结GPT还是Claude哪个更强后来变成 “这个功能到底有没有清晰的输入边界”因为没有边界再强的模型也会失控。七、最后现在回头看我最大的变化其实是从“模型思维”变成了“系统思维”。但这里有个问题我一直没想清楚到底是模型能力被高估了还是现实复杂性被低估了我也有点好奇的是你们在做AI项目的时候有没有觉得很多问题其实和模型没关系而是业务或者输入本身的问题