第二十二章：模型选型实践

22.1 为什么不能盯着排行榜无脑选

跑分高，不代表在你的特定业务里表现好。 常见的三个翻车点：

翻车点	说明
合规卡死	海外标杆模型在多模态、代码、复杂推理上通常很强，但 API 成本、数据出境、网络访问、企业合同支持都可能卡住国内 ToB 项目
业务场景不匹配	榜单漂亮，但在你的财报格式、行业黑话、内部接口调用上不一定稳定
成本失控	系统里有大量高频的 Agent 内部循环调用时，硬上最贵的标杆模型，可能一个月就把项目预算烧穿

选型看的是「合规、成本、延迟、能力特征」四个维度和业务需求的匹配，不是跑分。

flowchart TB
    B["业务需求"] --> C1["① 合规
数据分类分级、出境、审批"]
    B --> C2["② 成本
token 单价 × 调用频次"]
    B --> C3["③ 延迟
用户可感知路径 vs 内部步骤"]
    B --> C4["④ 能力特征
推理 / 结构化输出 / 长上下文 / 工具调用"]
    C1 --> S["选型决策"]
    C2 --> S
    C3 --> S
    C4 --> S

    style C1 fill:#fdecea

先看合规，因为它是一票否决项，另外三个才是权衡项。

22.2 主流模型横向盘点

模型名和版本迭代很快，不要把具体型号当成固定答案。 重要的是讲清选型逻辑和每家模型的能力特征。

22.2.1 国内生产候选（实际落地优先看）

系列	特征	适合放在哪些节点
DeepSeek	推理能力和性价比突出	高频分析、代码辅助、长链路推理等成本敏感的节点。选通用系列还是推理系列，看任务偏生成还是偏推理
Qwen（通义千问）	中文语境、工具调用、结构化输出、长上下文	主调度、文档理解、RAG 汇总等要求稳定性的节点
豆包 / 火山引擎	工程生态、并发能力、中文产品化体验	高频文本处理、客服、内容生成、批量分类等吞吐优先的场景

22.2.2 海外能力标杆（评测与非敏感兜底）

系列	特征	使用注意
GPT / o 系列	复杂推理、代码、多模态的能力标杆	国内企业项目里要谨慎放到核心链路，重点评估数据出境、合规审批、网络稳定性和成本
Claude 系列	长文本、代码、Agent 调度能力很强	常被用来做评测基准或兜底模型，同样要先过合规、成本、可用性三关

多模态需求不能只看“支持图片/音频”的产品标签。应按 OCR、小目标、图表、视频时序、ASR、延迟和安全分别评测；底层架构与评测维度见多模态模型。

22.3 落地思路：模型路由（Model Routing）

真实项目往往不死磕单一模型，而是按节点特性分配模型。

22.3.1 一个具体场景

企业级多智能体 RAG 问答系统，链路是：

解析长篇企业财报
  → 多个 Agent 规划拆解任务
    → 频繁调用公司内部数据库与搜索引擎
      → 汇总生成中文报告

22.3.2 按节点分配

flowchart TB
    subgraph N1["主调度节点 / 格式严格的节点"]
        A1["需求：结构化输出稳定
Tool Use 准确率高
长上下文指令遵循好"]
        A2["原因：Agent 频繁调用内部 API
JSON、函数参数、字段名都不能乱"]
        A3["→ 『稳定』比『榜单第一』更重要"]
    end
    subgraph N2["逻辑推理 / 高频数据清洗节点"]
        B1["需求：推理能力和 token 单价均衡"]
        B2["原因：多数调用不是面向用户的最终回答
而是 Agent 内部中间步骤"]
        B3["→ 最怕成本失控，要把便宜且够用的模型用起来"]
    end
    subgraph N3["敏感数据链路"]
        C1["合规底线：敏感商业数据
尽量留在合规可控的链路里"]
    end

    style A3 fill:#e6f4ea
    style B3 fill:#e6f4ea
    style C1 fill:#fdecea

22.3.3 合规边界

海外模型不是绝对不能用，但必须先过：数据分类分级 → 客户合同 → 监管要求 → 企业审批。

只要这几关过不了，再强的模型也只能做离线评测，不能进核心生产链路。

22.4 选型的落地检查清单

步骤	要做的事
① 先划合规边界	哪些数据能出境、哪些必须留在内网。这一步先做，能直接砍掉一半候选
② 拆解链路节点	区分「面向用户的最终输出」和「Agent 内部中间步骤」——两者对延迟和成本的敏感度完全不同
③ 按节点列能力需求	结构化输出 / 工具调用 / 长上下文 / 推理深度 / 中文质量
④ 用自己的业务测试集评测	不看公开榜单，用第二十一章的黄金测试集方法
⑤ 算总账	token 单价 × 预估调用频次，特别注意 Agent 循环调用的放大效应
⑥ 留兜底方案	主模型不可用时的降级路径

22.5 常见错误

22.5.1 盯着排行榜第一名选

跑分不等于在你的业务里表现好，还存在数据污染（见第二十一章）。

22.5.2 忽略合规是一票否决项

国内 ToB 项目里数据出境是死线，再强的海外模型过不了这关也进不了核心链路。

22.5.3 全链路只用一个模型

模型路由才是常见做法——不同节点对稳定性、成本、推理深度的要求完全不同。

22.5.4 在 Agent 内部循环节点用最贵的模型

那些调用不面向用户，是成本放大最快的地方。

22.5.5 在格式严格的调度节点只看推理分数

调度节点最需要的是结构化输出稳定和 Tool Use 准确，JSON 字段名乱了整条链路就崩了。

22.5.6 没有兜底方案

主模型限流或不可用时整个系统直接挂掉。

22.5.7 把具体模型型号当成标准答案

版本迭代很快，能讲清选型逻辑比背型号有价值得多。

22.6 本章总结

选型不是看排行榜，是看合规、成本、延迟、能力特征四个维度与业务的匹配；
合规是一票否决项，另外三个是权衡项；
三个翻车点：合规卡死、业务场景不匹配、Agent 循环调用导致成本失控；
国内候选各有特长：DeepSeek 推理与性价比、Qwen 中文与结构化输出、豆包工程生态与并发；
海外标杆适合做能力基准和非敏感兜底，进核心链路前要过数据出境、审批、网络稳定性、成本四关；
落地做法是模型路由：按节点特性分配不同模型，而不是死磕单一模型；
调度和格式严格的节点要「稳」：结构化输出、Tool Use 准确率、长上下文指令遵循；
高频内部推理节点要「省」：这些调用不面向用户，最怕成本失控；
评测要用自己的业务测试集，不看公开榜单；
要留兜底降级路径；
具体型号会变，选型逻辑不变。

选型通常先排掉不合规的候选，再按链路节点比能力、延迟和成本，最后用自己的测试集做决定；排行榜最多只能当参考。