学习内容
本地部署：把开源模型（如 Llama、Qwen、DeepSeek）跑在自己服务器上。
云端 API：调用 OpenAI、通义千问等平台的接口，按量付费。
成本：本地部署前期需 GPU 投入，长期边际成本低；API 前期便宜，量大后费用上升。
隐私：本地部署数据不出内网，适合敏感业务；API 需把数据发给厂商。
性能：本地模型能力通常弱于顶级云端模型；但无延迟波动、可离线。
维护：本地要管模型升级、算力运维；API 几乎零运维。
选云端 API：追求效果、快速上线、数据不敏感。
选本地部署：数据敏感、离线需求、长期高频调用。
混合方案：敏感数据走本地，复杂任务调云端，是常见架构。
问：本地部署便宜吗？
答：看规模。少量调用云端更划算；高频大批量才值得本地投入。
问：消费级显卡能跑吗？
答：可跑 7B-32B 小模型，效果够日常使用，但训练级任务仍需专业卡。
本地 vs 云端不是单选题：效果、隐私、成本三者权衡。先明确你的数据敏感度与调用规模，再决定用哪种或两者组合，才是最务实的方案。
继续学习
AGI（通用人工智能）是所有 AI 公司的终极目标。本文讲清 AGI 与当前 AI 的区别、发展阶段与争议。
微调让通用大模型适配特定业务。本文讲清微调原理、方法与 RAG 的取舍。
RAG（检索增强生成）解决大模型知识过时与幻觉问题。本文讲清原理、流程和适用场景。
AI 工具与传统软件的本质区别在哪里？本文从工作方式、结果可控性等维度给出判断框架。
大语言模型（LLM）是 ChatGPT 等 AI 助手背后的核心技术。本文用通俗语言讲清 LLM 是什么、怎么训练、能做什么、不能做什么。
智能体工作流是让 AI 自动化完成复杂任务的编排方式。本文讲清常见模式与落地场景。
