为什么我们最终没有用 AI 做客户项目的核心功能

这是一个真实的项目经历。

年初接了一个客户的需求：做一个企业内部的文档管理系统，核心功能是"从海量合同和报告中自动提取关键信息，生成摘要和对比报告"。听起来，这简直就是为 LLM 量身定做的场景——RAG + 摘要生成，标准流程。

但最终，我们建议客户用传统的规则引擎加关键词匹配来实现。不是技术做不到，而是算了一笔账之后，觉得不划算。

为什么不直接上大模型

第一：成本不可控

客户的文档量大概在 50 万份左右，每天新增 300-500 份。如果每份文档都调用一次 LLM API 做摘要，按 DeepSeek V3 的定价算，每天光 API 费用就在 50-80 元，一年接近 2-3 万元。对于客户来说，为一个辅助功能每年多花几万块，值不值？

如果自己部署开源模型（比如 Qwen-7B），算力成本更高——一台 A100 显卡服务器月租金就要几万。50 万份文档的量，自建模型不一定比调 API 便宜。

第二：准确率有瓶颈

我们拿 500 份真实合同做了测试。LLM 提取合同关键信息（金额、日期、签约方）的准确率大约是 92%。听起来不错，但剩下 8% 的错误意味着：每 100 份合同有 8 份的关键信息是错的。对于法律文档来说，8% 的错误率是不能接受的。

而规则引擎加正则匹配，针对格式规范的合同（客户的合同有标准模板），准确率能做到 98% 以上。虽然规则编写成本高一些，但一次写好长期受益。

第三：可解释性要求

客户法务部门提了一个要求：AI 提取的信息必须能追溯到原文，并且要给出置信度。如果是一个黑盒模型输出的结果，很难说清楚"为什么提取了这个字段"。

规则引擎的优势就在这里——每一段提取逻辑都有明确的代码依据，出了问题可以直接定位到规则。这在企业级应用中非常重要。

那 AI 用在哪儿了

我们没说"不能用 AI"。最终方案里，AI 用在了一个辅助场景：智能搜索。客户在 50 万份文档里搜一个关键词，传统全文搜索返回的结果排序不理想。我们接入了 Embedding 模型做语义搜索，让搜索结果按相关性排序。这个场景的好处是：

\n
• 成本低：一次向量化，长期使用
\n
• 容错高：搜索结果排列靠后不是致命问题
\n
• 体验提升明显：客户反馈"搜索结果比以前准多了"
\n

几点思考

这个项目做完之后，我有几点想法：

\n
1. 技术选型的核心永远是"值不值"，而不是"能不能"。大模型能做的事很多，但不代表所有事都应该用它来做
\n
2. AI 在高容错场景中价值最大（推荐、搜索、聊天），在低容错场景中需要非常谨慎（财务、法律、医疗）
\n
3. 规则引擎 + AI 的组合往往是最好的方案——能用规则解决的问题用规则，剩下的交给 AI
\n
4. 做给客户用的项目，要求比做自己的产品高得多。你自己的工具出 bug 可以忍，客户的系统出问题不行
\n

这篇文章不劝退 AI，也不鼓吹 AI。只是从一个实际项目的角度，说说我们为什么做了这个选择。如果对你有参考价值，那就值了。