直接答案：ConfigCat 在 AI 发布中解决什么：ConfigCat 是托管的 feature flag 与配置管理服务。它能让团队在不重新部署全部代码的情况下，按环境、用户属性或稳定百分比分组开放、关闭或调整 AI 功能。它不能判断模型答案是否正确，也不替代模型评测、监控、权限和事故响应。适合的做法是把 flag 当成可回滚开关，把质量、延迟、成本和安全阈值放进独立上线门禁。
先把 AI 功能拆成可控单元
不要只建一个 ai_enabled 总开关。可分别控制模型路由、工具调用、联网、检索、长上下文、自动写入和高成本模式，使问题发生时能缩小影响范围。每个 flag 写明所有者、默认值、环境、依赖、触发条件、停止阈值、回滚动作和计划删除日期。对外部 API 价格或能力变化较快的部分，额外记录供应商与模型版本。
默认值必须是安全状态
ConfigCat 官方评估算法说明 SDK 在异常时返回调用方提供的默认值。这个值是业务代码决定的，不应随手写 true。对自动发送、生产写入、高成本模型或敏感数据处理，默认通常应关闭或退回只读路径。测试配置不可达、SDK Key 错误、缓存过期和用户属性缺失，确认系统不会因为拿不到配置而扩大权限。
规则顺序会改变结果
Targeting Rules 按从上到下评估，命中后由 THEN 部分决定值；若百分比分组所需属性缺失，规则可能被跳过并继续后续评估。团队应把最具体、最高风险的拒绝或固定租户规则放在可解释位置，并为每条规则准备输入夹具。不要只在控制台看起来正确，要用 SDK 实际版本验证用户得到的值与匹配原因。
稳定百分比不是每次随机抽样
官方文档说明百分比分组依据 flag key 与 Percentage Evaluation Attribute 做确定性哈希，同一用户在相同配置下保持粘性，并在支持的 SDK 间一致。对企业 AI 功能，常用 tenant ID 而不是个人 ID 分组，避免同一组织内体验割裂。变更属性会重新分组，必须视为实验口径变化并记录。
百分比总和和未识别用户
Percentage Options 的值总和应为 100。若用户对象缺少用于百分比分组的属性，官方文档说明会返回未识别用户的值或跳过相应规则，具体取决于配置位置。生产代码应验证必需属性存在，并为未识别用户给出明确安全值。不要把空字符串、临时设备 ID 或可被用户修改的字段作为高风险功能分组依据。
先内部，再固定租户，再百分比
第一阶段只开放给内部测试身份，验证基本功能、权限和失败恢复；第二阶段选择有明确联系人和回滚协议的固定测试租户；第三阶段才使用小比例稳定灰度。每个阶段都要求相同的模型质量、延迟、成本、安全和业务指标，但阈值可不同。若缺少真实监控，不要仅因为没有投诉就扩大比例。
Feature flag 与 A/B 测试的区别
Flag 负责稳定分组与服务不同值，不会自动计算实验效果。官方文档明确指出 A/B 场景仍需接入分析服务并发送评估结果。AI 实验要事先定义主要指标、护栏、样本单位和停止规则，避免同一租户跨组污染。模型或提示在实验中变化时记录版本，不能把组合变化归因于单一开关。
AI 灰度至少监控四类指标
质量包括任务成功与人工驳回；性能包括 P50/P95 延迟、超时和队列；成本包括成功任务 Token、工具调用和重试；安全包括敏感数据、越权、提示注入与人工审批。任何一类越过停止阈值都应冻结扩量并回到安全值。请求数和 flag 评估数不是用户满意度，也不能代替业务结果。
回滚要覆盖配置与副作用
关闭 flag 只能阻止新的路径，不能撤销已发送邮件、已写数据库或已产生的外部费用。为写操作加入幂等键、状态查询与补偿流程，保留变更前对象或版本。演练从 20% 回到 0%、控制台不可用、SDK 使用缓存以及多环境配置不一致，确认恢复时间和责任人。
管理 API 与 MCP 需要更严格权限
ConfigCat 的公开更新说明和 API 文档提供了管理 flag、环境、规则与值的接口，并出现官方 MCP Server。自动化能加快发布，也能放大错误。生产令牌使用最小作用域，读写分离，密钥不进入提示、前端或日志。高风险变更先生成差异，绑定审批后执行，并把旧值、请求摘要、操作者和回滚命令写入回执。
Review Changes 与审计日志
官方 2026 年更新说明描述了保存前差异查看、环境比较和审计日志变更展示，并为删除 flag 增加备注能力。团队应利用这些证据回答谁在何时把哪个环境的什么规则从何值改为何值。审计记录要导出到独立存储或告警系统，防止仅依赖控制台。日志存在不证明变更正确，仍需审批和夹具。
环境隔离与复制规则
开发、测试、预生产和生产使用独立环境与 SDK Key，禁止把测试规则直接视为生产批准。复制规则前先比较身份属性、租户、模型端点和数据边界；相同 flag 名不保证上下文相同。部署脚本固定环境 ID，并在执行前输出 dry-run。若复制后用户分组变化，确认百分比属性和规则顺序一致。
数据与隐私边界
官方评估文档称用户对象属性由 SDK 本地评估，数据流从 CDN 到 SDK，ConfigCat 不接收或存储传入评估的用户属性。团队仍要确认使用的 SDK、代理模式、日志和自定义集成是否保持这一路径。敏感比较可使用官方提供的 confidential text 机制，但哈希比较不等于匿名化；源系统和日志仍可能保存原始值。
何时不要使用百分比灰度
法律资格、账户安全、医疗建议、不可逆资金动作或同一租户必须保持统一状态的功能，不应简单按个人随机百分比开放。可改用明确白名单、租户级分组、人工批准或离线评测。流量很小、样本相关或目标事件极少时，也不应从短期波动推断模型优劣。Feature flag 是发布控制，不是统计有效性的保证。
Flag 生命周期与技术债
功能全量稳定后，决定保留为长期运维开关还是删除。临时 flag 写明删除日期，扫描代码引用，确认旧分支不再需要，再按先代码兼容、后配置删除的顺序处理。ConfigCat CLI 可扫描并上传代码引用，也支持导出配置；这些功能可帮助清理，但删除前仍需检查多个仓库、移动端旧版本和离线客户端。
一页式上线清单
定义 flag 所有者、默认安全值、环境与依赖；选择稳定且不可被用户操纵的分组属性；准备允许、拒绝、缺属性、离线和回滚夹具；设质量、延迟、成本和安全停止阈值；记录每档比例和观察窗口；保存差异、审批与审计回执；全量后清理死代码。任何关键证据缺失，保持关闭。
当前官方核验入口
继续完成相邻任务
- 结合企业智能体治理框架定义权限与责任。
- 用模型 API 故障恢复指南设计回退路径。
