1. 选型之前先想清楚你到底要解决哪一类问题很多人一上来就问“国内哪个大模型最强”这个问题本身就没有标准答案。我在过去一年多里帮团队做过四五轮模型选型踩过最大的坑不是模型能力不够而是一开始就没把需求拆清楚导致选了一个“跑分很高但根本不适合自己业务”的模型白白浪费了两周适配时间。选型的第一步不是看排行榜而是把你的需求归到下面三类中的某一类。这三类的评判标准完全不同混在一起比就会越比越乱。第一类是通用对话与内容生成。典型场景是客服问答、文案辅助、知识问答、文档摘要。这类需求看重的是语言流畅度、指令遵循能力、多轮对话的稳定性以及中文语境的自然程度。对推理深度要求不高但对响应速度和调用成本敏感。第二类是复杂推理与结构化输出。典型场景是数据分析、代码生成、合同条款抽取、多步骤任务规划。这类需求看重的是逻辑推理链的完整性、JSON等结构化格式的输出稳定性、长上下文的记忆保持能力。跑分榜上的数学和代码分数在这类场景里参考价值最高。第三类是智能体编排与工具调用。典型场景是自动化工单处理、多步骤业务流、需要调用外部API完成任务的Agent。这类需求看重的是Function Calling的准确率、多轮工具调用的容错能力、以及和编排框架的兼容性。模型本身的“聪明程度”反而排在第二位稳定性和可预测性才是第一位。我一般会建议团队先拿一个真实业务场景做小样本测试而不是拿公开评测集。原因很简单公开评测集上的高分模型在你的垂直场景里可能完全不是那么回事。比如某些模型在通用问答上表现很好但一旦要求它严格按照固定JSON Schema输出就开始胡编字段。这种问题只有用你自己的数据才能测出来。提示选型前先写一份“需求卡片”包含场景类型、输入输出格式、延迟要求、日均调用量、预算上限、是否需要私有化部署。这张卡片会在后面每一步帮你快速排除不合适的选项。把需求归类之后你会发现可选范围一下子就缩小了。接下来才是具体看模型和智能体框架的匹配问题。2. 国内主流大模型的能力画像与适用边界国内大模型这两年迭代非常快几乎每隔几个月排名就会变一次。与其记排名不如记住每个模型系列的“性格特征”这样即使版本更新你也能大致判断它的能力走向。2.1 通用能力型适合对话、写作、知识问答这一类模型的共同特点是中文语料训练充分对话自然度高指令遵循稳定。它们在各家评测榜上通常综合分靠前适合做面向C端的问答产品和内容生成工具。实际使用中我发现这类模型在处理“开放式问题”时表现最好比如“帮我写一段产品介绍”“解释一下这个概念”。但一旦进入需要严格逻辑链的场景比如多步数学推理或者复杂条件判断就容易出现中间步骤跳步的问题。这不是模型不行而是它的训练目标本身就更偏向语言流畅而非逻辑严密。选这类模型时我建议重点测三个维度一是多轮对话中是否容易“忘记”前面说过的约束条件二是面对模糊指令时是否会主动追问而不是瞎猜三是输出长度控制是否听话让它写200字它会不会写500字。2.2 推理强化型适合代码、数学、结构化抽取推理强化型模型通常在训练中加入了更多思维链数据在数学、代码、逻辑推理类任务上明显更强。这类模型适合做开发辅助、数据分析、合同审查等需要“想清楚再回答”的场景。但这类模型有一个容易被忽略的问题它们有时候会“过度推理”。你问一个简单问题它给你绕一大圈才回答导致延迟变高、token消耗变大。在批量处理场景下这个成本差异非常可观。我实测过一个场景同一个抽取任务推理型模型比通用型模型多消耗了将近三倍的输出token虽然准确率高了几个百分点但综合成本算下来并不划算。所以我的经验是推理型模型用在“错一次代价很高”的场景通用型模型用在“错一次影响不大”的场景。不要无脑上最强的推理模型成本会教你做人。2.3 轻量高效型适合高并发、边缘部署、成本敏感场景轻量模型是很多团队容易忽视的一类。它们参数量小推理速度快单次调用成本低适合做意图识别、文本分类、简单抽取、路由分发这类“不需要太聪明但需要很快很便宜”的任务。在智能体架构里轻量模型其实扮演着非常重要的角色。一个典型的Agent系统里真正需要大模型深度推理的步骤可能只占20%剩下80%都是意图判断、参数提取、结果格式化这类轻量任务。如果全部用大模型来做成本会高得离谱。合理的做法是用轻量模型做“前台接待”把复杂任务路由给大模型处理。我见过一个团队的做法很聪明他们用轻量模型做第一层意图分类只有判断为“复杂咨询”的请求才会转发给大模型。这样一来整体成本降了将近60%而用户体验几乎没有下降因为简单问题轻量模型完全能处理好。2.4 本地部署型适合数据敏感与离线场景有些业务场景对数据隐私要求很高或者需要在没有稳定网络的环境下运行这时候就需要考虑本地部署。本地部署的核心考量不是模型能力而是硬件门槛和推理效率。目前国内几个主流开源模型系列都支持本地部署参数量从几B到几十B不等。我的建议是如果你的场景是文本分类、简单抽取、固定格式生成7B到14B级别的模型完全够用一张消费级显卡就能跑起来。如果要做复杂推理或者高质量生成至少需要32B以上硬件成本会明显上升。本地部署还有一个容易被低估的工作量推理框架的选型和调优。同样的模型用不同的推理框架吞吐量可能差好几倍。这部分我后面会单独展开讲。3. 智能体框架怎么选从单Agent到多Agent协同模型选完之后下一个问题是用什么框架来编排智能体。这两年智能体框架层出不穷从轻量级的单Agent工具到复杂的多Agent协同平台都有。选框架的核心原则是框架的复杂度要匹配你业务的复杂度不要用大炮打蚊子。3.1 单Agent场景轻量框架优先如果你的需求是“一个Agent调用几个工具完成一类任务”比如查询天气、查数据库、发邮件那完全不需要上复杂的多Agent框架。一个轻量级的Agent循环加上工具注册机制就够了。这类场景的关键在于工具描述的清晰度和参数定义的严谨性。我踩过的一个坑是工具描述写得太模糊模型不知道该在什么情况下调用这个工具导致要么不调用要么乱调用。后来我把每个工具的描述改成“什么时候用什么时候不用参数含义返回格式”四段式调用准确率明显提升。单Agent场景还有一个常见问题是错误处理。模型调用工具失败后它往往会反复重试同一个错误调用陷入死循环。解决办法是在Agent循环里加一个重试计数器超过阈值就强制中断并返回兜底话术。这个逻辑不复杂但很多新手会忽略。3.2 多Agent协同编排逻辑比框架选型更重要多Agent系统听起来很高级但实际落地时最容易出问题的不是框架本身而是Agent之间的职责划分和通信协议。我见过不少团队花大力气搭了一套多Agent架构结果发现两个Agent互相等待对方输出直接死锁。多Agent协同的核心设计问题是谁负责决策谁负责执行谁负责校验。常见的模式有三种主管模式一个主Agent负责拆解任务和分配其他Agent只负责执行。这种模式逻辑清晰适合任务边界明确的场景。流水线模式多个Agent按顺序处理前一个的输出是后一个的输入。适合文档处理、数据清洗这类线性流程。辩论模式多个Agent对同一问题给出方案再由一个仲裁Agent选择最优。适合需要多角度评估的决策场景。我的经验是大多数业务场景用主管模式就够了不要一上来就搞辩论模式那个token消耗和延迟都是成倍增长的。而且辩论模式对仲裁Agent的能力要求很高仲裁不好反而会选出一个更差的方案。3.3 编排平台可视化与代码化的取舍现在有不少平台提供可视化的智能体编排能力拖拖拽拽就能搭出一个工作流。这类平台的好处是上手快适合快速验证想法。但一旦业务逻辑变复杂可视化编排就会变得非常臃肿维护成本反而比写代码高。我的建议是原型阶段用可视化平台快速验证生产阶段用代码化框架重新实现。可视化平台适合做Demo和内部工具但面向用户的生产系统代码化框架在版本管理、测试、部署、监控方面都更成熟。选代码化框架时重点看三个东西一是工具注册是否方便能不能快速接入内部API二是是否支持流式输出这对用户体验影响很大三是是否有完善的回调机制方便你做日志和监控。4. 本地部署的硬件账与推理框架调优本地部署是很多团队绕不开的话题尤其是数据敏感型业务。但本地部署不是“下载模型跑起来”这么简单硬件选型和推理框架调优直接决定了你能不能跑得起、跑得快。4.1 显存需求怎么算显存需求主要取决于模型参数量和量化精度。一个粗略的估算公式是显存需求 ≈ 参数量 × 精度字节数 × 1.2额外开销比如一个7B模型用FP16精度大约需要 7 × 2 × 1.2 ≈ 16.8GB显存。如果用INT8量化大约需要 7 × 1 × 1.2 ≈ 8.4GB。如果用INT4量化大约需要 7 × 0.5 × 1.2 ≈ 4.2GB。但这只是模型权重的显存实际运行时还需要额外的显存来存储KV Cache这部分和上下文长度、并发数成正比。上下文越长、并发越高KV Cache占用越大。我见过有人用INT4量化把7B模型塞进了8GB显存的卡里结果一跑长上下文就OOM就是因为没算KV Cache的账。注意量化会带来精度损失INT4量化在简单任务上影响不大但在推理和代码任务上可能会有明显下降。如果业务对准确率敏感建议至少用INT8。4.2 推理框架的选择同样的模型和硬件换一个推理框架吞吐量可能差好几倍。目前主流的推理框架各有侧重框架类型优势适用场景通用推理框架兼容性好支持模型多快速验证模型切换频繁高吞吐框架批处理效率高并发强生产环境高并发API服务边缘推理框架资源占用低启动快端侧设备嵌入式场景选框架时不要只看benchmark上的吞吐量数字要看你自己的实际请求模式。如果你的请求是短文本、高并发那批处理效率最重要如果你的请求是长文本、低并发那单次推理速度更重要。我实测过一个场景某个框架在短请求上吞吐量是另一个框架的两倍但在长请求上反而更慢因为它的批处理策略对长序列不友好。4.3 量化与蒸馏的取舍量化是最常用的降本手段但量化不是万能的。INT8量化通常能保持95%以上的原始精度INT4量化可能降到90%左右具体取决于任务类型。我的做法是先用INT8跑一轮评测如果精度达标就用INT8如果显存实在不够再试INT4但一定要用业务数据验证精度是否可接受。蒸馏是另一个思路用大模型生成训练数据来微调小模型。这个路线适合有标注预算和训练资源的团队好处是推理成本大幅降低坏处是需要额外的训练周期和调参工作。如果团队没有微调经验我建议先用量化方案蒸馏作为后续优化方向。5. 从Demo到生产智能体落地的五个真实坑前面讲的都是选型和架构层面的东西这一部分我想聊聊从Demo到生产过程中最容易踩的坑。这些坑在文档里通常不会写但每一个都可能让你的项目延期。5.1 工具调用的参数幻觉模型在调用工具时经常会“编造”参数。比如你的工具需要一个日期参数格式是YYYY-MM-DD模型可能给你返回“明天”或者“2024年13月1日”。这个问题在Demo阶段不容易发现因为Demo的输入往往很规范。但生产环境的用户输入千奇百怪参数幻觉的概率会大幅上升。解决办法是在工具层做严格的参数校验和归一化。日期参数用日期解析库做兜底枚举参数做白名单校验数值参数做范围检查。校验失败时不要直接报错而是把错误信息返回给模型让它重新生成参数。这个重试机制能解决大部分参数幻觉问题。5.2 多轮对话的状态管理单轮对话很简单多轮对话的状态管理才是真正的挑战。用户可能在第三轮突然改变主意也可能引用第一轮说过的某个条件。如果Agent没有正确维护对话状态就会出现“答非所问”的情况。我的做法是把对话状态分成两层一层是原始对话历史完整保留另一层是结构化状态把关键信息抽取成键值对。每次调用模型时把结构化状态和最近几轮对话一起传入这样既控制了token消耗又保证了关键信息不丢失。对于超长对话还需要做历史压缩。常见做法是把早期对话总结成摘要只保留最近几轮原文。但摘要本身也可能丢失细节所以关键约束条件一定要放在结构化状态里不能只靠摘要。5.3 流式输出的边界情况流式输出对用户体验很重要但它的边界情况比非流式输出多得多。比如用户在流式输出过程中取消了请求你的后端要能正确中断模型调用并释放资源。再比如流式输出到一半网络断了前端要能处理这种半截状态。还有一个容易被忽略的问题是流式输出和工具调用很难同时用。因为工具调用需要等模型输出完整的调用指令才能执行而流式输出是逐token返回的。解决办法是在工具调用阶段用非流式在最终回答阶段用流式。这样用户感知到的等待时间主要在工具调用阶段最终回答的流式输出能弥补等待感。5.4 成本失控的隐形杀手智能体系统的成本往往比预期高因为一次用户请求可能触发多次模型调用。比如一个Agent先做意图识别一次调用再提取参数一次调用再生成回答一次调用如果中间有重试调用次数还会翻倍。控制成本的关键是减少不必要的模型调用。意图识别和参数提取完全可以用轻量模型甚至规则引擎来做只有最终回答生成才需要大模型。另外缓存也非常重要相同或相似的问题可以直接返回缓存结果不需要每次都调用模型。我建议在系统里加一个调用计数器按用户、按会话、按天统计模型调用次数和token消耗。没有度量就没有优化很多团队直到账单出来才发现成本失控。5.5 评测体系的建立最后一个坑是评测。很多团队做完Demo就直接上线没有建立持续的评测体系。结果模型更新了、提示词改了、工具换了效果变差了却不知道。我的做法是维护一个“黄金测试集”包含50到100条真实业务场景的输入和期望输出。每次做任何改动都跑一遍这个测试集对比关键指标的变化。指标不需要太复杂准确率、召回率、平均延迟、平均token消耗这四个就够了。这个测试集要持续更新把线上发现的bad case加进去。时间长了它就成了你系统质量的“体检表”任何改动的影响都能快速量化。6. 不同团队的选型路线建议最后我想按团队类型给一些具体的选型建议这些都是我在实际项目中验证过的路线不是纸上谈兵。6.1 小团队快速验证路线如果你是一个三五人的小团队目标是快速验证一个智能体产品想法我的建议是先用现成的编排平台搭原型模型用API调用不要碰本地部署。具体路线是选一个可视化编排平台把核心流程跑通模型选一个通用能力强的API先不管成本工具调用先用平台内置的不够再自己写。这个阶段的目标是验证“用户愿不愿意用”而不是“技术先不先进”。等验证通过、有真实用户了再考虑优化成本和迁移到代码化框架。过早优化是最大的浪费我见过太多团队在验证阶段就花大量时间搞本地部署和框架选型结果产品方向变了所有工作白费。6.2 中型团队生产落地路线如果你是一个有明确业务场景的中型团队目标是做一个生产级的智能体系统我的建议是模型用API本地混合框架用代码化方案重点投入在评测和监控上。具体来说核心推理任务用API调用保证效果高频轻量任务用本地小模型降低成本。框架选一个成熟的代码化Agent框架重点把工具注册、错误处理、日志监控做扎实。评测体系从第一天就建起来不要等出问题了再补。这个阶段最容易犯的错误是过度设计。不要一上来就搞多Agent协同先把单Agent做稳定。不要一上来就搞微调先把提示词工程做透。大部分场景下好的提示词工程比微调更划算。6.3 大型团队私有化路线如果你是一个对数据隐私要求很高的大型团队必须走私有化路线我的建议是硬件按峰值需求的1.5倍配置推理框架做压测选型模型做量化蒸馏双路线。硬件不要按平均值配要按峰值配而且留出1.5倍的余量。因为智能体系统的请求量波动很大峰值时如果显存不够导致OOM用户体验会非常差。推理框架一定要用真实请求模式做压测不要只看benchmark。模型方面量化方案快速上线蒸馏方案作为长期优化。私有化路线最大的挑战不是技术而是运维。模型更新、框架升级、硬件扩容都需要专人负责。如果团队没有专职的AI运维我建议至少要有一个人兼职负责这块否则系统跑着跑着就没人维护了。选型这件事没有标准答案只有适不适合。我的核心建议就一条先想清楚你要解决什么问题再去看什么工具能解决这个问题而不是反过来。工具永远在变但需求拆解的方法论是不变的。把需求拆清楚了选型就是一道选择题而不是一道论述题。