FAQ
常见问题
围绕 AI 场景选择、数据准备、部署方式、验收口径与责任边界的常见问题。答案基于我们的交付方法，不构成对固定周期、固定价格或具体效果的承诺。
什么业务适合先做 AI PoC？
有明确责任部门、能说清当前人工基线、并且允许提供脱敏样本的流程最适合。典型特征是：文档或记录量大、判断规则相对稳定、错误可以被人工发现并纠正。反过来，需要实时控制设备、承担专业或法定责任、或者连负责人和数据都还没确定的场景，不适合作为第一个 PoC。
PoC 需要客户提供哪些数据？
首轮只请求最小、脱敏、可撤回的数据：相关制度、规程与手册等文本；一段已结束周期的记录样本及附件；字段字典与角色权限规则；现有系统的导入导出样例。第一阶段不要求接入生产网络或实时接口。数据的分类分级、留存期限与删除方式由客户书面确认。
能否在客户内网或本地部署？
可以评估。我们按数据出域要求、并发与时延、总拥有成本三个维度，给出按量 API、私有云和客户本地部署的对比及各自限制。最终部署形态在正式报价阶段确定，并需要通过客户的安全评审与供应商准入流程。
如何选择模型？
先定验收指标，再选模型。在客户的固定测试集上比较候选模型的引用正确性、拒答表现、稳定性和单位成本，并把数据出域限制作为硬约束。我们不预设某一个模型是最优解，也不会因为参数规模大就推荐它；如果较小的模型配合检索和规则已经达到验收口径，就采用更省的方案。
如何处理模型幻觉和错误答案？
分三层处理：回答必须显示原文出处与适用版本，证据不足、文件冲突或超出权限时拒答并升级人工；建立固定测试集与错误清单，每一类错误单独复盘，而不是只看平均准确率；高风险结论必须经人工确认后才进入正式流程。我们不承诺零错误或零幻觉。
如何保护企业数据？
未经客户书面授权，客户数据不用于任何模型训练、微调，也不对外共享。按角色隔离权限，记录访问与导出日志，约定留存期限、返还与删除方式。涉及生产、安全与人员的数据默认只读、最小权限，并按客户的分类分级与网络分区要求处理。
PoC 如何验收？
验收口径在 PoC 开始前书面约定，包括固定样本集、人工基线、指标定义与判定方法。常见指标包括引用正确性、关键字段抽取准确率、漏项率、应拒答而拒答的比例、越权访问次数和人工修订工时。阈值由客户在自己的样本上确定。PoC 通过只证明该数据范围与流程内的结果，不等于全面上线验收。
源代码、提示词、知识库和数据归属如何约定？
在合同中逐项写明，不使用笼统表述。通常约定：客户数据与客户提供的知识内容归客户所有；为本项目定制开发的代码与提示词，其归属或授权范围按项目类型协商确定；我们既有的通用组件保留自有权利并授予客户使用。同时约定项目结束后的数据返还、删除与保密期限。
AI 上线后是否保留人工复核？
保留。AI 负责检索、抽取、提示与起草，定级、签发和关闭由授权人员完成。上线后保留原流程、人工签字环节、操作日志与一键停用能力，出现异常时可以回退到原流程运行。
什么情况下不建议采购 GPU？
在客户、样本数据、验收指标、并发与时延要求都还没确定之前，不建议先买卡。多数早期 PoC 用现有设备、按量 API、租赁算力或客户现有环境即可完成。只有当数据必须本地驻留、外部服务无法满足并发与时延，且按实际用量测算本地算力的总拥有成本更低时，才值得单独立项评估硬件。
原来的软件开发、支付与小程序服务还提供吗？
继续提供，并作为 AI 项目的集成与交付底座。多数 AI 场景最终要接到既有系统、账号体系和业务流程上，这部分工程量往往比模型本身更大。
代码质量与可维护性如何保障？
遵循编码规范，提供自动化测试、代码评审与可观察性（日志、监控、告警），并预留扩展性。AI 相关部分额外保留提示词与知识内容的版本记录和评测集，便于回归验证。
是否提供上线后的运维与迭代支持？
可按需提供监控、性能优化、应急响应与迭代开发服务。AI 项目的运维还包括知识内容更新、评测集回归、错误样本复盘，以及模型或部署方式变更的评估。