1.1 KiB

Raw Blame History

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。