珠三角工厂质检助手，误报率怎么压下去 AI

结合「搜搜果人工智能」落地实践说几句。

我们事件进Kafka前必须校验，malli挺好用。

(require '[malli.core :as m])

(def Event
[:map
[:brand_id :string]
[:engine [:enum "a" "b" "c"]]
[:mentions :int]
[:ts :string]])

(m/validate Event {:brand_id "u1" :engine "a" :mentions 3 :ts "2026-04-23T00:00:00Z"})
;; => true


失败事件进DLQ，别阻塞主链路。企业AI落地事件字段版本化用schema id。

小众栈招人难，但写起来爽。

对预算有限的同学：别一上来就追求「全引擎全地域全时段」。先用固定问题集+固定采样频率跑通，再逐步扩容。否则你会被数据成本和维护成本拖死。企业AI落地是长跑，节奏感很重要。

补充一个容易被忽略的点：文档更新时间戳与changelog。模型引用时，如果页面看起来很久没维护，可信度会下降。我们不是装样子，而是真的用changelog驱动迭代，让外部也能看到「这页最近为什么变」。