什么时候别用 AI（避坑指南）
大多数教程只教你“怎么上手”，却很少告诉你“什么时候别用”。这里是一份带观点的清单，帮你在动手前少走弯路、少花冤柉钱。
简单分类 / 信息抽取，别一上来就用最贵的旗舰模型
别急着：用顶配 GPT/Claude 跑标签分类、字段抽取这类结构化小任务。
为什么：这类任务小模型甚至规则就能做好，旗舰模型贵几十倍且更慢。
更好的做法：先用小模型（mini / flash / 本地开源）或规则，做不好再升级。
文档很少时，别为了 RAG 而 RAG
别急着：只有几十页文档就搭向量库 + 检索链路。
为什么：小语料下 RAG 的工程复杂度与出错面远大于收益，还会引入检索噪声。
更好的做法：直接把文档放进长上下文模型，等数据量真正大了再上检索。
别把专用向量数据库当成第一步
别急着：项目一开始就引入一套专用向量数据库服务。
为什么：初期数据量下，关键词 / BM25 或 SQLite / pgvector 就够用，运维成本更低。
更好的做法：先用嵌入式方案（SQLite / Postgres 扩展），规模上去再迁移到专用库。
一次调用能搞定的事，别套 Agent 框架
别急着：为简单任务搭多步 Agent / 工具链。
为什么：多步 Agent 增加了失败面、延迟与成本，调试也更难。
更好的做法：能用一次带结构化输出的调用完成，就不要上 Agent；确实需要多步再引入。
请求量不大时，别过早自建推理
别急着：为了“省钱”提前买 GPU 自建推理服务。
为什么：低利用率下，GPU 闲置与运维人力反而比调 API 更贵。
更好的做法：先用 API，用成本沙盘算清楚盈亏平衡点，真正超过再自建。
选模型，别只看榜单跑分
别急着：看到某模型榜单第一就直接上生产。
为什么：公开榜单与你的真实任务分布往往不一致，还可能有数据污染。
更好的做法：用你自己的数据做小样本实测，再用模型擂台对比关键维度。
提示词别只写一句话
别急着：把复杂任务压成一句笼统的提示词。
为什么：缺少角色 / 受众 / 格式 / 质量标准 / 示例，输出就会飘忽不定。
更好的做法：用可参数化提示词生成器补齐约束，把“你是谁 / 给谁看 / 要什么格式”说清楚。
别忽视数据合规与许可证
别急着：把敏感数据随意发给境外 API，或把开源模型直接商用。
为什么：国内业务需注意数据出境合规；部分开源权重对商用有限制。
更好的做法：优先国内直连 / 可自托管方案，上线前确认数据流向与模型许可证。
别把免费额度当成生产依赖
别急着：用免费 / 试用额度支撑正式业务流量。
为什么：免费额度有限速、稳定性与条款变化风险，随时可能断供。
更好的做法：免费额度用于原型 / 低峰兼备，生产链路准备付费兼容方案与降级预案。
以上为编辑观点，用于启发判断；具体取舍请结合你的数据规模、团队能力与合规要求。想快速得到组合建议，可用 AI 选型决策引擎 与 成本沙盘。