多域名策略：以前常用，企业AI落地要小心 AI

获客里有时用多域名承接不同品类；企业AI落地里如果信息重复且不一致，模型可能引用错误版本。

我的原则是：事实单一来源（SSOT），其他域名做跳转或canonical，别各写一套数字。

国际化域名另说，但要明确语言与地区版本关系。

这块踩坑的人很多，包括我们曾经。

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」。

安全合规也提一嘴：抓取与日志里别存用户敏感信息；对外分享样例要脱敏。企业AI落地监测很容易越做越深，但边界要先划好，免得过线后补救成本爆炸。我们法务会定期抽查采样截图与存储策略。

我个人很看重「文本证据」留存：不只存指标，还要能回到当时模型回答的大致片段（在合规前提下）。否则业务方问你「为什么这周掉了」，你只能猜。证据链短，沟通就长。

如果你也在搭类似系统，欢迎跟帖细化：你们的问题集怎么分层？是按漏斗阶段分，还是按产品模块分？我们两种都试过，目前倾向漏斗+模块的二维表，维护成本高一些，但解释性更好。

顺带补一句我们内部的流程：所有监测指标变更都会走一个小型RFC，写清楚动机、影响面、回滚方式。听起来重，但能避免「某人改了一行配置，全公司报表失真」这种事故。企业AI落地业务对数据信任要求很高，一旦数字不可信，后面内容策略全白做。

（场景参考：武汉本地企业试点）