# 场景识别与技术选型

## 三招判断适配度
- 频次：是否每天出现
- 复杂度：是否需要看多个因素
- 容错：是否允许偶尔错误

## 不适用的边界
- 规则清晰 → 用代码/规则引擎更稳更便宜
- 要求 100% 准确 → AI 不合适
- 一次性工作 → 人工处理即可

## 部署选型
- 供应商（API/Agent/工作流）：验证快、维护省心、需评估数据外流
- 私有化（云/本地）：数据可控、长期成本可控、需工程与运维投入

## 语言与框架
- 原型：Python（LangChain、LangGraph）
- 生产：Go（Eino、LangChainGo）
- 团队策略：纯 Go 团队可直接 Go，但建议保留原型快速验证

## 私有化阈值与硬件预算
- 模型容量：7B≈16G 显存；14B建议 24–48G 显存（16G 需重度量化）
- 阈值测算：月 API 费用 ≈ 硬件折旧/月 + 运维人力/月 + 合规需求
## 一句话总结
先用数据选场景与方案，原型快跑，生产稳落，达到阈值再私有化。
## 一句话引出
随后进入“实战落地”，用订单诊断完成端到端演示。