首席AI官战略顾问

要解决什么问题

初创公司的 AI 决策大多被两种力量裹挟：一边是「不追就落后」的焦虑，另一边是「追了也不知道值不值」的模糊。落到落地层面，团队反复卡在四个问题上：

• 模型路线：这个场景该直接调 API、微调一个开源模型，还是自研？三者的三年 TCO、延迟曲线和能力上限完全不同。
• 监管定性：这个功能在 EU AI Act 下属于哪一层？是不是高风险，要不要做合规评估？这直接决定上线时间表。
• 成本拐点：月 token 量到多少时，自托管推理比 API 便宜？算账时容易漏掉运维、监控、版本漂移这些隐性成本。
• 用人节奏：下一个该招 AI 工程师、ML 工程师还是研究员？多数创始人把这三个岗位混为一谈。

这个技能不回答「怎么写 RAG」「怎么搭 Agent」，它只做 C 层面的决策排序。

它如何工作

技能把上述四个问题拆成四条可执行的决策路径：

1. 模型选型：以三年 TCO 为轴，对比 API、LoRA/QLoRA 微调与自研三条路径，并列出各自的失败模式。默认走前沿 API，只有当领域行为无法用 prompt 表达、延迟预算低于 500ms 时才考虑微调。
2. 风险分级：按 EU AI Act 的四层结构（禁止 / 高风险 / 有限风险 / 最小风险）对用例归类，再叠加 NYC LL 144、Colorado SB 21-169 等美国州级法规，输出所需的控制清单。
3. 成本测算：把 API 定价、GPU 时租（H100/A100 spot）、利用率损耗放进同一个模型算 breakeven，典型拐点在月 100M–500M token。
4. 团队演进：按融资阶段给出招聘序列，并明确区分 AI 工程师（全栈 + prompts + evals）与研究员（模型发明）的职责边界。

每条路径都配有可运行的脚本和决策树参考文档。Quick Start 部分列出了六个必须先问的问题——没有 eval set 就不上线，没有幻觉率 SLO 就等于「质量靠感觉」。

适用边界

• 它是战略顾问，不是工程手册。RAG 实现、Agent 设计、prompt 治理、评测基础设施、推理成本优化等内容被显式排除，应转向 engineering/ 下对应的技能。
• 它不替代法务。2026 年生效的 EU AI Act 仍在演变，涉及 conformity assessment 的合规结论必须由有资质的 AI 律师出具。
• 它假设你已经在认真考虑自建。如果月 token 量远低于 100M，API 路线几乎总是更优，算出来的数字只是确认这个常识。