从 Demo 到生产：AI 生成代码的上线前检查清单

AI 编程最甜蜜的陷阱是 demo：一个下午，你就有了一个能跑、好看、甚至能演示给朋友看的产品。然后你把它发到网上，三天后：API key 被刷爆、数据库被删、用户数据泄露、账单爆表。Demo 只占 10%，上线才是剩下的 90%。这篇文章是一份专为 AI 生成项目设计的上线前检查清单——agent 帮你写了代码，但"能不能上线"这个判断，永远是你来做。

为什么 AI 生成的项目特别需要这份清单？因为 agent 的交付有三个系统性盲区：它不考虑成本（每个 API 调用都像不要钱）、它不考虑攻击者（默认全世界都是好人）、它不考虑"以后"（没有备份、没有迁移、没有回滚的概念）。这三件事，恰恰是生产环境的全部。

一、安全：先堵住会死人的洞

• 密钥与凭证。检查所有 API key、数据库密码、JWT secret 是否进了环境变量。AI 生成的代码最爱把 key 硬编码在源码里——grep 一遍 sk-、api_key、secret，确认 git 历史里也没有提交过（用 git log -p | grep 查）。已经提交过的 key，一律视为泄露，立即轮换。
• 注入攻击面。所有用户输入进数据库、进 shell、进模板的地方，确认有参数化/转义。让 agent 专门跑一轮"攻击者视角"审查：prompt 里直接说"假设你是黑客，找出这段代码的 5 个注入点"。
• 鉴权与越权。每个接口问自己：没登录能调吗？登录了能调别人的数据吗？AI 生成的 CRUD 经常"鉴权全靠前端隐藏按钮"。写 3 个 curl 测试：未登录、普通用户、管理员，逐个接口打一遍。
• 依赖与供应链。跑 npm audit / pip audit，把 high 以上漏洞修了。检查 agent 有没有引入你没听过的冷门包——每个依赖都是信任，每多一个包就多一个被投毒的可能。

二、数据：丢了什么都能重来，丢了数据不行

• 备份策略。数据库有没有自动备份？备份保留多久？恢复演练过一次吗？"有备份"和"能恢复"是两回事——没演练过的备份等于没有备份。
• 迁移方案。表结构变更是走 migration 文件，还是 agent 直接手改生产库？后者是灾难之源。确认每一次 schema 变更都有可回滚的 migration。
• 数据删除与隐私。用户注销时数据删干净了吗？日志里有没有记明文密码、token、身份证号？AI 生成的日志经常"记太多"，上线前 grep 一遍敏感字段。

三、可观测：上线后两眼一抹黑是最贵的

• 日志。关键路径（登录、支付、核心操作）有没有结构化日志？日志里有没有 request id 能串起一次完整调用？出问题时你靠什么定位——靠猜吗？
• 告警。至少配三个：错误率突增、核心接口 P99 延迟超标、磁盘/内存用量超 80%。告警要能真正吵醒你——发到一个你不看的邮箱等于没配。
• 健康检查。有没有 /health 端点？部署平台靠它判断服务死活。很多 AI 生成的项目连这个都没有，挂了都没人知道。

四、性能与成本：AI 时代的新账本

• N+1 与慢查询。让 agent 跑一遍 EXPLAIN，检查列表页有没有循环查库。这是 AI 生成代码里出现频率最高的性能 bug，没有之一。
• 缓存。读多写少的数据（配置、排行榜、首页）有没有缓存？没有缓存的上线，等于邀请全世界来打爆你的数据库。
• AI 调用成本。如果你的产品自己调用了大模型 API：有没有做结果缓存？有没有设置单用户/单日的 token 上限？有没有防刷（rate limit）？历史上真实发生过：上线第一天被薅了 5 万美元 token 账单的项目。
• 静态资源。图片有没有压缩、CDN 有没有配？AI 生成的前端经常引用 5MB 的原图，手机用户打开一次骂一次。

五、发布与回滚：给"搞砸了"留条后路

• 回滚方案。这次发布搞砸了，能在 5 分钟内回滚到上一个版本吗？说不出"能"字的，先别发布。容器镜像 tag、数据库 migration 的 down 脚本，都是回滚的弹药。
• 灰度。能不能只放 5% 流量验证？至少做到"可快速全量回滚"。AI 生成的代码第一次上生产，默认它有 bug——灰度不是不自信，是专业。
• 环境隔离。开发、预发、生产是三套独立的环境和数据库吗？Agent 在"开发环境"里调通的东西，直连生产库跑，就是事故预告。

我的观点：checklist 不是官僚，是"把运气换成确定性"

很多独立开发者反感 checklist，觉得那是大公司的官僚。但真相是：大公司用 checklist 是因为它付过学费，你不用是因为你还没付。AI 把"做出 demo"的成本打到了接近零，于是"上线"成了新的稀缺能力——而上线的能力，一半是技术，一半是敬畏心。

更深一层想：agent 时代，"能不能上线"的判断力，正在成为人和 AI 的分工线。写代码、写测试、写文档，agent 越来越行；但"这个系统在真实世界里会怎么死"，需要的是对人性（攻击者、误操作的用户）、对经济学（成本、账单）、对墨菲定律的理解——这些恰恰是 agent 的盲区。你在这份清单上花的每一分钟，都是在加固这条分工线。

最后给个可执行的建议：把这份清单存成你项目的 PRODUCTION_CHECKLIST.md，每次发版前让 agent 逐项自查并给出证据（截图、命令输出、链接），你只做最后的抽查。从"相信 agent"到"验证 agent"，这一步跨过去，你的 vibe coding 才算真正毕业。