20260625:很多新内容

concepts/ai-production-tradeoffs.md

@@ -0,0 +1,42 @@
+---
+title: "AI 生产权衡 — 六大维度"
+created: 2026-06-19
+updated: 2026-06-19
+type: concept
+tags: [ai-engineering, production, tradeoffs, mlops]
+sources:
+  - https://towardsdatascience.com/six-choices-every-ai-engineer-has-to-make-and-nobody-teaches/
+---
+
+# AI 生产权衡
+
+## 定义
+
+AI 工程师在生产部署中面临的关键决策维度。来自 Sara Nobrega (2026) 的框架：这些权衡没有"正确"答案，但有可操作的框架、真实数字和决策背景。
+
+## 六大维度
+
+| # | 权衡 | 核心问题 |
+|---|------|---------|
+| 1 | [[build-vs-buy-llm|构建 vs 购买]] | API 调用何时不再划算？ |
+| 2 | [[cace-principle|复杂度 vs 可维护性]] | 6 个月后谁来调试？ |
+| 3 | [[data-quality-vs-quantity|数据数量 vs 质量]] | 更多数据何时变成更差结果？ |
+| 4 | [[batch-vs-real-time-inference|吞吐量 vs 延迟]] | 批处理还是实时？ |
+| 5 | [[prompt-engineering-vs-fine-tuning|提示词 vs 微调]] | 两条截然不同的投资曲线 |
+| 6 | [[human-in-the-loop|自动化 vs 人类监督]] | 你有多信任模型独立行动？ |
+
+## 统一原则
+
+> **决策的成本很少在决策做出的地方产生回报。** 复杂度的代价延迟偿付——更复杂的模型 6 个月后增加维护成本，实时系统的 24/7 支撑长期代价更高，大规模脏数据在重训练周期上付出代价。
+
+## 常见模式
+
+- 团队默认使用实时推理（因为"听起来更令人印象深刻"），但大多数业务问题不需要亚秒级预测
+- 团队平均超出 LLM 预算 340%，主因是缺少使用跟踪和成本归属
+- 为 2% 精度提升选复杂模型，为这个选择支付 18 个月的调试税
+
+## 参考
+
+- [[nobrega-ai-production-tradeoffs-2026|原文文章]]
+- [[ml-technical-debt|ML 技术债务]]
+- [[selective-hitl|选择性 HITL]]