本文的范围和证据边界
小跑科技现有方案库中有6份文档涉及AI应用，匿名能力包括视觉理解与企业商品库推荐、知识库与AI预咨询、专家转接、设备数据与AI对话、模型调用费用统计。这能证明相关方案设计能力，但不足以证明所有项目都已开发上线。
因此本文只写：可承接范围、成本组成、实施方法和验收边界；不写客户名、运行规模、准确率或效果提升数字。医疗、法律、财务等高风险输出必须由专业人员复核，AI不能替代专业结论。
为什么“接一个API”和“做一个AI应用”差很多？
API能返回文本或图片理解结果，但企业真正需要的是：谁能使用、输入什么、引用哪些知识、能否操作业务系统、答错如何发现、失败如何恢复、敏感数据怎样保护、结果由谁复核，以及每次调用花多少钱。
| 成本层 | 包含内容 | 常见漏项 |
|---|---|---|
| 产品与系统 | APP/小程序/网页、账号、后台、权限、业务流程 | 只算对话框，不算管理与运营 |
| 模型与提示 | 模型选择、提示模板、结构化输出、上下文、降级 | 只看演示效果，不测稳定性和成本 |
| 知识与数据 | 资料清洗、切分、索引、版本、引用、权限隔离 | 把脏文档直接导入后期待自动正确 |
| 工具与接口 | CRM/ERP/工单/商品/订单查询和授权操作 | 没有幂等、审批、超时和失败恢复 |
| 评测与安全 | 测试集、正确/拒答/越权、敏感内容、攻击防护 | 只测几个成功问题 |
| 运营与人工 | 日志、监控、成本、反馈、人工接管和知识更新 | 上线后没人维护知识与处理异常 |
1—20万元预算怎样做AI应用MVP？
| 预算范围 | 适合目标 | 建议第一版 | 不适合承诺 |
|---|---|---|---|
| 1—3万元 | 验证一个明确问题 | 限定资料的知识问答、分类/摘要或现有系统中的单点AI功能 | 多系统写操作、高并发、专业结论、复杂多模态 |
| 3—8万元 | 上线一个窄场景MVP | 用户界面、知识库、基础后台、日志、人工反馈和固定测试集 | 大量角色、复杂权限、多个外部系统同时接入 |
| 8—15万元 | 形成业务闭环 | 多角色权限、知识版本、工具接口、人工接管、成本统计和评测 | 未经数据验证就保证准确率或完全自动化 |
| 15—20万元 | 多端或多流程集成 | APP/小程序+后台、多个受控工具、审计、监控和分阶段上线 | 大规模训练、专用算力或重度数据工程通常需另行评估 |
预算范围来自匿名软件方案复盘，只用于决定第一版边界。模型训练、专用GPU、复杂硬件、历史数据治理和高并发保障可能远高于常规MVP范围。
上线后持续费用怎样估算？
大模型服务通常按模型与实际用量计费。DeepSeek 官方说明以输入/输出Token计算并提示价格可能调整；火山方舟也按模型类型和Token用量计费。具体价格应在采购和上线时查看 DeepSeek官方模型价格、火山方舟官方文档或所选服务商控制台，而不是把本文价格长期写死。
月度成本可按以下项目分别估算：
- 输入Token、输出Token、上下文长度和缓存命中；
- 向量化、向量数据库、重排和知识文档存储；
- 图片理解、OCR、语音识别、语音合成或视频处理；
- 应用服务器、数据库、对象存储、带宽和备份；
- 内容安全、权限审计、调用日志、告警和质量监控；
- 人工审核、专家接管、知识更新和问题复盘。
可以通过问题分类、缓存、缩短上下文、检索后再调用、大小模型分流、输出长度限制和失败降级降低成本，但必须用测试集验证质量没有越过业务底线。
企业知识库的钱花在哪里？
- 资料清点：确定哪些文档可用、谁负责、多久更新。
- 清洗与结构化：去重、纠错、拆分、补标题、日期、版本和权限标签。
- 检索与引用：确定召回、重排、引用片段和无答案时的拒答。
- 权限隔离：不同部门、客户或项目只能访问授权知识。
- 更新机制：旧版本下线、新版本生效、索引重建和变更记录。
- 评测：用真实问题检查答案、来源、过期内容和越权。
如果原始资料混乱、相互矛盾或没有负责人，知识库开发的主要成本往往不是“向量数据库”，而是把企业知识变成可维护的数据资产。
AI应用应该怎样验收？
| 测试类型 | 示例 | 观察指标 |
|---|---|---|
| 正确回答 | 知识范围内的常见与边界问题 | 答案要点、引用来源、版本正确 |
| 拒答 | 资料没有答案或超出权限 | 不编造，说明限制并给出下一步 |
| 越权 | 普通用户请求管理或他人数据 | 拒绝访问，留下审计记录 |
| 工具调用 | 查订单、建工单、写入CRM | 参数正确、权限校验、幂等和回滚 |
| 故障恢复 | 模型、接口或网络超时 | 降级、重试、提示和人工接管 |
| 性能与成本 | 不同长度和并发下的请求 | 延迟、成功率、单次与月度成本 |
验收时保留固定问题、期望结果、模型与知识版本、实际输出和人工判定。模型更新后重新跑同一测试集，才能知道质量是提高还是退化。
第一版最稳妥的做法
选一个每天真实发生、人工成本明显、输入输出可界定的场景；先做“AI建议+来源+人工确认”，不要一开始让AI自动执行不可逆操作。积累真实问题、错误类型和使用量后，再决定扩知识、接工具、加角色还是换模型。
小跑科技可提供AI应用、AI智能体、APP、小程序和企业管理系统定制开发，统一商务联系为陈顾问 15989051113。具体预算、模型选择、周期、数据与安全要求以正式需求和合同为准。
先写清场景、数据、权限和验收问题
用需求清单把AI放进真实业务流程，再评估模型、系统和持续成本。