技术路线决策树

你是一位 AI 技术架构师。我需要在以下技术路线中做选择：

路线选项：
1. **Prompt Engineering**：直接使用大模型 + 提示词工程
2. **RAG（检索增强生成）**：外挂知识库，模型负责理解和生成
3. **微调（Fine-tuning）**：在特定数据上训练模型
4. **Agent 编排**：多步骤任务分解，工具调用，自主决策

我的场景：
{{SCENARIO}}

数据情况：{{DATA_STATUS}}
团队能力：{{TEAM_CAPABILITY}}
预算约束：{{BUDGET}}

请用决策树的方式分析：
1. 每条路线的适用条件
2. 我的场景最适合哪条（或组合）
3. 每条路线的成本结构（开发 + 3个月运维）
4. 推荐的技术栈组合

你是一位管理 500K+ DAU 推理管线的 MLOps 架构师。我需要在以下技术路线中做出基于数据和规模的决策。

## 第一层：角色与上下文

你管理过多个从 POC 到企业级的 AI 交付项目，对 GPT-4o、Qwen、DeepSeek 等模型的生产成本和延迟特性有第一手经验。你的决策必须覆盖"今天能跑起来"和"半年后还能撑住"两个维度。

## 第二层：输入参数

- **场景**：{{SCENARIO}}
- **数据情况**：{{DATA_STATUS}}
- **团队能力**：{{TEAM_CAPABILITY}}
- **预算约束**：{{BUDGET}}
- **规模阶段**：{{SCALE}}（可选值：POC / growth / enterprise）

## 第三层：分析框架

### 3.1 多模型对比矩阵

请先输出以下矩阵（根据实际报价填充，单位：人民币）：

```yaml
model_comparison_matrix:
  gpt4o:
    input_price_per_1k_tokens: ___
    output_price_per_1k_tokens: ___
    latency_p50_ms: ___
    accuracy_tier: ___  # high / medium / low
    best_for: ["复杂推理", "多轮对话", "代码生成"]
  qwen_turbo:
    input_price_per_1k_tokens: ___
    output_price_per_1k_tokens: ___
    latency_p50_ms: ___
    accuracy_tier: ___
    best_for: ["中文场景", "分类任务", "低成本高并发"]
  deepseek_v3:
    input_price_per_1k_tokens: ___
    output_price_per_1k_tokens: ___
    latency_p50_ms: ___
    accuracy_tier: ___
    best_for: ["推理任务", "数学/代码", "长上下文"]
```

### 3.2 规模分级决策树

根据 {{SCALE}} 参数选择决策路径：

- **POC 阶段**（DAU < 1K）：成本敏感度低，优先验证可行性
  → 优先 Prompt Engineering，用最强模型（GPT-4o）快速验证
  → 成本预估：API 费用 < ¥500/月
- **Growth 阶段**（DAU 1K–50K）：平衡成本与质量
  → 考虑 Qwen-Turbo 替代降低成本，引入 RAG 如果知识更新频繁
  → 成本预估：API ¥2K–10K/月 + RAG 基础设施 ¥1K–3K/月
- **Enterprise 阶段**（DAU > 50K）：质量与稳定性优先
  → 微调专用模型 + RAG + Agent 编排组合
  → 成本预估：微调 ¥50K+ 一次性 + 推理 ¥10K–50K/月

### 3.3 四路线加权评分

对每条路线（Prompt Engineering / RAG / 微调 / Agent 编排）按以下维度打分（1–5），权重总和 = 1.0：

| 维度 | 权重 | Prompt Eng | RAG | 微调 | Agent |
|------|------|-----------|-----|------|-------|
| 场景匹配度 | 0.30 | ___ | ___ | ___ | ___ |
| 数据充分度 | 0.20 | ___ | ___ | ___ | ___ |
| 成本可行性 | 0.25 | ___ | ___ | ___ | ___ |
| 团队可执行性 | 0.15 | ___ | ___ | ___ | ___ |
| 迭代速度 | 0.10 | ___ | ___ | ___ | ___ |
| **加权总分** | **1.00** | **___** | **___** | **___** | **___** |

### 3.4 成本结构分析（开发 + 3 个月运维）

对推荐路线输出详细成本分解，包括：
- 一次性开发成本（人力 + 工具 + 数据标注）
- 月度 API / 推理成本（按 {{SCALE}} 阶段估算调用量）
- 月度运维成本（监控、知识库更新、模型重训）
- 隐性成本（学习曲线、技术债、人员依赖）

## 第四层：反论自检

在给出最终推荐前，你必须：
1. 找出自己推荐方案的**最大弱点**，并用 1–2 句话说明
2. 提出**第二选择方案**及切换条件
3. 列出如果选择推荐方案，**3 个月内最可能后悔的 1 件事**

## 第五层：输出格式

请按以下 YAML 格式输出最终决策，然后附上 Mermaid 决策树流程图：

```yaml
tech_route_decision:
  scenario: "{{SCENARIO}}"
  scale: "{{SCALE}}"
  recommended_route: ___
  secondary_route: ___
  weighted_scores:
    prompt_eng: ___
    rag: ___
    finetune: ___
    agent: ___
  cost_breakdown:
    one_time_dev: ___
    monthly_api: ___
    monthly_ops: ___
    three_month_total: ___
  upgrade_path: "Prompt → RAG → 微调"
  biggest_risk: ___
  rollback_trigger: ___
```

然后用 Mermaid flowchart 画出完整决策树，包含数据量、场景复杂度、预算、团队能力等判断节点。