很多人用 AI 写代码时很兴奋，本地跑起来以后就觉得项目完成了。
但真实交付里，本地跑通只是中间状态。
一个功能真正完成，至少要能上线、能访问、能观察、能回滚。
AI 在上线部署阶段很有用，但也更需要谨慎。因为生产环境的错误成本比本地高很多。
上线前，先让 AI 做 checklist
不要直接让 AI 写部署命令。
先让它检查：
请基于当前项目，生成上线前 checklist。
重点检查：
1. 环境变量
2. 构建命令
3. 数据库迁移
4. 静态资源
5. 日志
6. 健康检查
7. 回滚方案
8. 可能的安全风险
上线最怕漏项。
AI 的价值是帮你把隐藏步骤摊开，而不是让你盲目复制命令。
环境变量要单独核对
很多项目本地能跑，线上失败，原因都是环境变量。
你可以让 AI 列表：
请扫描项目中使用到的环境变量。
输出：
1. 变量名
2. 用途
3. 是否必填
4. 本地示例值
5. 生产环境注意事项
不要输出任何真实密钥。
注意最后一句：不要输出任何真实密钥。
AI 编程工具可能能读取本地文件，所以涉及 .env、token、数据库密码时要特别小心。
环境变量文档应该写示例，不写真值。
构建失败时，让 AI 读完整日志
部署阶段常见问题包括：
- 依赖版本不一致。
- 构建脚本缺失。
- TypeScript 类型错误。
- 静态资源路径错误。
- Node/Python/Java 版本不一致。
- 生产环境缺少系统依赖。
不要只贴最后一行错误。
提示词：
下面是部署构建失败的完整日志。
请分析：
1. 失败发生在哪个阶段
2. 根因是什么
3. 是否和本地环境差异有关
4. 最小修复方案
5. 修复后应该重新执行什么命令
AI 很适合处理构建日志，但前提仍然是上下文完整。
数据库迁移不要盲目执行
数据库是上线最需要谨慎的部分。
你可以让 AI 审查迁移：
请审查这次数据库迁移。
重点检查：
1. 是否会删除字段或表
2. 是否会影响已有数据
3. 是否需要备份
4. 是否可以回滚
5. 是否需要分步骤发布
如果涉及生产数据库，至少要确认：
- 是否有备份。
- 是否有回滚方案。
- 是否会锁表。
- 是否影响旧版本代码。
- 是否需要先加字段、后切流量、再清理旧字段。
AI 可以给建议，但最终执行的人必须理解命令含义。
让 AI 帮你写部署文档
部署流程跑通一次以后，不要只留在命令行历史里。
让 AI 帮你沉淀文档：
请根据本次部署过程生成一份部署文档。
要求包含：
1. 环境要求
2. 依赖安装
3. 环境变量说明
4. 构建命令
5. 启动命令
6. 数据库迁移
7. 验证方式
8. 回滚步骤
9. 常见问题
这份文档以后非常值钱。
因为部署问题最浪费时间的地方，往往是同一个坑反复踩。
上线后要验证什么
上线后不要只看首页能打开。
至少检查：
- 关键页面能否访问。
- 登录和权限是否正常。
- 核心接口是否返回正确。
- 数据写入和查询是否正常。
- 日志是否有异常。
- 错误页面是否可用。
- 静态资源是否加载。
- 移动端布局是否严重错位。
可以让 AI 生成手工验收清单：
请基于这个项目生成上线后验收清单。
要求：
1. 按页面和核心流程分组
2. 每项都能手工执行
3. 标注高风险项
4. 给出通过标准
回滚方案必须提前准备
上线前就要想好失败怎么办。
不要等线上出问题再问 AI。
提示词：
请为这次发布设计回滚方案。
要求：
1. 应用代码如何回滚
2. 数据库变更如何处理
3. 环境变量变更如何恢复
4. 如何判断需要回滚
5. 回滚后如何验证
如果数据库迁移不可逆，AI 应该明确提示风险。
这比上线后发现“回不去了”要好得多。
一个完整上线提示词模板
当前项目准备上线。
请先不要执行任何生产环境操作。
请帮我完成上线准备：
1. 识别技术栈和构建方式
2. 列出环境变量
3. 生成上线前 checklist
4. 检查数据库迁移风险
5. 生成部署步骤
6. 生成上线后验收清单
7. 生成回滚方案
要求：
- 不输出真实密钥
- 所有生产命令必须解释用途
- 高风险操作必须单独标注
- 如果信息不足，先列出需要确认的问题
最后
AI 可以帮你写 Dockerfile、排查构建失败、整理环境变量、生成部署文档和上线 checklist。
但生产环境不是试验场。
所有高风险命令都要理解后再执行，尤其是数据库迁移、权限配置、密钥和回滚。
到这里，从 AI 编程如何开始、Skill、需求分析、架构设计、代码开发、测试到上线部署，一条完整工作流就闭环了。
真正的 AI 编程能力，不是会问一句“帮我写代码”，而是能把 AI 放进每个交付环节，让结果稳定、可验证、可上线。
