第二章 · 企业AI本地部署
怎么选
选型不是挑参数，是排除法。
本页结论：从约束倒推，不从功能倒推 —— 第一问「数据能不能出内网」就分出两个世界。
第二章 · 企业AI本地部署
决策树：四个分叉
①数据敏感度能不能出内网→②算力预算有没有卡→③团队能力谁来维护→④合规要求要不要交代
- 数据能出内网吗？ 不能 → 商业 SaaS 全部出局，只剩开源自托管。
- 有没有 GPU 预算？ 没有 → 本地小模型 + 规则兜底，别指望它干复杂推理。
- 有没有人维护？ 没有 → 开源反而更贵。开源不等于免费，等于把成本从 license 挪到人力。
- 要不要向监管交代？ 要 → 留痕和可回溯从第一天就得有，不能事后补。
第二章 · 企业AI本地部署
三种典型选法
| 情况 | 路线 | 为什么 |
|---|---|---|
| 数据可上云，只想提效 | 商业 SaaS（WorkBuddy / 豆包工作 / Qoder / Claude Code） | 开箱即用，别自己造 |
| 数据不能出内网，团队有工程能力 | DSH 或 pi + 内网模型 + Portkey 类网关收口 | 插件化 / 可接本地推理栈，模型和存储都能换成自己的 |
| 数据不能出内网，团队没有工程能力 | 引入外部工程力量，别自己拼 | 开源件拼起来的长期维护成本，通常高于一次性投入 |
榜单数据截至 2026-09-09，来自 OpenRouter 应用榜与编码分类榜。排名每周变动，请当参考而非结论。