在使用 AI 产品时，你遇到过输出不稳定或结果波动的情况吗？如果遇到过，请描述具体场景，并说明你是如何定位和解决这类问题的。

回答思路

1. 【回答框架 1】不稳定通常表现为输出质量波动、结果不一致或偶发错误。先明确不稳定出现的阶段：是模型输入变化、提示词差异、模型版本更新、还是外部服务依赖导致的。
2. 【回答框架 2】针对输入层面，检查请求参数、上下文长度、采样参数（如温度）是否固定；若涉及提示词，可通过模板化和版本管理降低随机性。
3. 【回答框架 3】针对模型输出，建立可量化的评估机制：对关键任务设置重试策略、校验输出格式或关键字段，必要时引入人工审核兜底。
4. 【回答框架 4】对依赖外部 AI 服务的场景，需监控服务可用性、延迟和错误率，设计降级方案（如缓存、备用模型或规则回退），并通过日志和链路追踪定位异常。
5. 【回答框架 5】在工程层面，将 AI 能力封装为独立模块，定义稳定的接口契约，使用幂等标识和状态记录来保证多次调用的可追溯性，避免把模型不确定性直接扩散到核心业务链路。
6. 【关键点 1】先分类不稳定来源：输入、模型参数、外部服务或配置；再针对性处理。
7. 【关键点 2】通过模板化提示词、固定采样参数和重试机制降低偶发波动。
8. 【关键点 3】建立监控、日志和降级方案（缓存、备用模型、规则回退），隔离 AI 故障影响。
9. 【关键点 4】利用幂等标识和状态记录实现调用可追溯，而不把模型随机性直接引入业务核心。
10. 【易错点 1】不要把模型的采样随机性直接等同于系统缺陷，忽略参数和上下文的影响。
11. 【易错点 2】避免在不设置超时和重试的情况下同步调用外部 AI，导致整体阻塞。
12. 【易错点 3】不要期望 AI 输出绝对一致，应在关键路径上加入校验和人工审核兜底。