10.2 模型配置
灵枢模型配置通过场景化选择模型、自动降级、效果对比和版本管理，帮用户为每个AI功能选对模型，降低成本并避免业务中断。
- 场景化配置：写作用大模型，分类用小模型
- 降级策略：主模型故障自动切换备用模型
- 效果对比：同一任务跑不同模型选最优
- 版本管理：自动追踪更新，平滑过渡
一句话定位：不同场景用不同模型——写作用大模型，分类用小模型，该省则省，该花则花。
模型配置是灵枢的"调度器"——帮您为每个 AI 功能选对模型。
您现在的问题
场景一：所有功能用同一个模型。 写文章用最强的模型，做简单分类也用最强的模型——杀鸡用了牛刀，成本是应该花的十倍。合理分配模型可使 AI 成本降低 40%~60%，效果不降。
场景二：想换模型不敢换。 知道有个更便宜或更好的模型，但不敢换——怕换完之后效果变差，影响业务。没有对比机制，就永远不知道"换了好不好"。
场景三：模型版本升级了没人知道。 供应商推出了新模型、旧模型即将下线——没有人关注这些信息，等旧模型停用了才发现问题。20242025 年主流供应商平均每年下线 35 个旧模型。
场景四：AI 功能和模型"硬绑定"。 代码里写死了模型名——想换模型要改代码、重新部署。业务人员想调模型，得等开发排期——响应速度跟不上业务变化。
功能全景
模型配置让"AI 选型"从拍脑袋变成看数据：
供应商模型池（10.1 注册的供应商下所有可用模型）
↓
功能-模型绑定（每个 AI 功能绑定一个主模型 + 一个备用模型）
↓
├─ 文章写作 → 大模型（创意能力强）
├─ SEO 优化 → 中等模型（结构化输出）
├─ 智能分类 → 小模型（速度快、成本低）
├─ AI 问答 → 大模型+RAG（准确性优先）
└─ 外呼话术 → 中等模型（低延迟）
↓
降级策略（主模型不可用 → 自动切备用 → 恢复后切回）
- 场景化配置。 为不同 AI 功能配置不同的模型——大模型做创意、小模型做分类，成本和效果的最佳平衡。
- 降级策略。 主模型不可用时自动切换到备用模型——不会因为一个模型挂了而影响业务。
- 模型效果对比。 同一个任务用不同模型跑一遍，对比效果——帮您找到性价比最高的选择。
- 版本管理。 自动追踪模型版本更新，新旧切换平滑过渡。
操作指南
- 查看绑定 → AI 引擎 → 模型配置 → 功能-模型映射表：每个功能当前用什么模型；
- 修改绑定 → 选择功能 → 切换模型 → 保存（即时生效，无需重启）；
- 设降级 → 为每个功能配置备用模型（主不可用时自动切换）；
- 效果对比 → 选择功能 → "对比测试"→ 用两个模型各跑 10 条 → 对比结果；
- 查看版本 → 模型版本追踪：当前版本/最新版本/下线预警。
关键配置项：
- 功能绑定：featureName → modelId（一对一映射）
- 降级链：主模型 → 备用1 → 备用2
- 参数覆盖：temperature/maxTokens 按功能自定义
- 切换策略：自动（健康检测触发）/ 手动（管理员操作）
最佳实践
- 按"任务复杂度"选模型。 创意写作/深度分析→大模型；分类/提取/格式化→小模型。不是所有任务都需要最贵的模型。
- 换模型前必做 A/B 对比。 用同一批测试数据跑两个模型——看效果差异再决定。别凭感觉换。
- 关注供应商的"下线公告"。 主流供应商通常提前 3 个月公告模型下线——收到公告后及时迁移。
- 配置变更走"灰度"。 新模型先切 10% 流量试跑——确认无问题再全量切换。
常见误区
误区一：模型越贵越好。 最贵的模型不一定最适合您的场景——简单分类任务用大模型，效果提升 2% 但成本增加 10 倍。适合>贵。
误区二：配好了就不管了。 模型在迭代、价格在变化、新模型在推出——每季度审视一次模型配置，看有没有更优选择。
与其他能力的配合
- 模型配置基于 10.1 供应商管理 中注册的供应商和模型；
- 每个 AI 技能调用时，通过功能绑定自动选择配置的模型；
- 模型使用量和成本数据汇入 10.3 用量配额；
- 10.4 对话中心 的每次对话标注了使用的模型，方便追溯效果；
- 模型切换事件记录在审计日志中。
关键指标
| 指标 | 健康值 | 说明 |
|---|---|---|
| 功能绑定覆盖率 | 100% | 每个AI功能都有明确的模型绑定 |
| 降级成功率 | 100% | 主模型异常时成功切到备用 |
| 模型成本优化率 | 逐季优化 | 同等效果下的成本变化趋势 |
| 版本更新响应 | <7天 | 从供应商公告到完成迁移的时间 |