Appearance
决策速查
把散在各章的"该用哪个"判断题集中到一页，做选择时直接查。
RAG vs Fine-tuning vs Prompt
任务需要动态/实时知识（文档、价格、用户数据）？
├─ 是 → RAG（或 Tool Use 查实时数据）
└─ 否 ↓
需要固定的风格/格式/重复性任务，且有足够标注数据（几百~几千）？
├─ 是 → Fine-tuning
└─ 否 ↓
Prompt Engineering 能解决吗？
├─ 能 → 用 Prompt（最便宜，先试这个）
└─ 不能 → 回头看是不是数据/任务设计问题铁律：别用 Fine-tune 注入知识（那是 RAG 的活）；永远先把 Prompt 做到位。→ 3.4
普通模型 vs 推理模型
| 任务 | 选 |
|---|---|
| 简单问答、分类、改写、翻译 | 普通模型（小/快档） |
| 实时交互、聊天、补全 | 普通模型 |
| 大批量低难度处理 | 普通模型（推理模型又慢又贵） |
| 多步数学/逻辑、复杂代码、难题 | 推理模型 |
| 普通模型反复答错 | 推理模型 |
默认普通模型，搞不定再上推理模型。→ 1.7
本地（Ollama）vs 云端 API
| 你更看重 | 选 |
|---|---|
| 数据隐私 / 离线 / 零调用成本 / 随便折腾 | 本地 |
| 最强能力 / 高并发 / 省心稳定 | 云端 |
常见组合：开发调试用本地，生产上线用云端（靠 OpenAI 兼容协议无缝切换）。→ 1.10
选哪个模型档位（成本优先）
能用小/快档（DeepSeek-flash、本地）就别用大的
→ 简单问答、分类、改写
不够再上标准/强档（DeepSeek-pro、Qwen-plus）
→ 复杂代码、长文档
最后才考虑推理模型
→ 真正的难题（贵且慢）→ 1.6
国产模型怎么选
| 需求 | 选 |
|---|---|
| 默认主力（便宜、代码强） | DeepSeek |
| 要 Embedding / 多模态 | 阿里百炼（通义） |
| 要更强推理 | 智谱 GLM |
| 要更低价格 | 豆包 |
| 不想管多账号 | 聚合平台（硅基流动 / OpenRouter） |
→ 0.5
单 Agent vs 多 Agent
任务能并行 / 上下文不够 / 需要专业分工 / 需要互相检验？
├─ 是 → 多 Agent（Orchestrator-Subagent）
└─ 否 → 单 Agent
任务本身是顺序的，或很简单？
→ 单 Agent（多 Agent 只会增加复杂度）从单 Agent 开始，按需引入。→ 4.6
输出格式怎么控
| 需求 | 方式 |
|---|---|
| 大致结构 | 在 Prompt 里说清楚 + 给例子 |
| 必须是合法 JSON | response_format: { type: "json_object" } |
| 连字段结构都锁死 | json_schema + strict（部分模型支持） |
| 本地小模型 | 多半只能 Prompt 约束 + 解析兜底 |
无论哪种都要 try-catch JSON.parse。→ 1.4
下一页：常见坑与 FAQ