后期想加算法怎么办？

结论：可以后加算法，而且不一定要等半年。成熟 OCR、翻译或大模型 API 可先用真实样本试接；预测、推荐和异常检测若缺少代表性标签，应先上线规则与数据闭环。先证明算法优于当前基线，再进入自动决策。

“算法”可能指确定性规则、第三方 AI API、传统机器学习、自训练深度模型或大模型应用，数据要求和风险完全不同。滚水科技不会先按“AI 功能点”报价，而会问清输入是什么、输出给谁、错一次有什么后果、现在人工如何做，以及是否有可以客观评价的历史样本。只有定义了任务，才能判断后期接入难度。

几条实现路径可直接比较：

路径	需要的前提	优点	主要限制	直接建议
规则或统计阈值	业务规则明确、错误代价高	可解释、成本低、上线快	难覆盖复杂长尾	作为首个基线保留
成熟 AI API	有代表性输入，可接受供应商数据与计费条款	无需自建训练团队，验证快	模型版本、费用、限流和数据边界受供应商影响	低风险任务先做小样
在现成模型上做检索、提示或轻量调优	有企业知识、问法或标注样本	能贴近专属语境	仍需权限、评测和人工兜底	知识问答与文档任务常用
自训练预测/推荐/视觉模型	有足够且有代表性的历史特征、标签和持续反馈	可针对业务目标优化	数据偏差、漂移、训练运维成本高	只有基线和收益已证明时投入

能否立即开始，取决于数据是否覆盖实际使用，而不是累计了几个月。每天十万笔却只有一种场景的数据，价值可能低于覆盖旺季、退款、异常和不同地区的两千条样本。第一期应保存原始输入、业务上下文、人工最终结果和发生时间，并记录字段定义、来源、授权与保留期限。不能为了“以后训练”无限收集个人信息，也不能把客户文件随意复制到第三方模型。

系统层面要把算法作为可替换能力，而不是把结果写死进主流程。业务系统通过有版本的服务接口提交任务，记录模型或规则版本、输入摘要、输出、置信信息、耗时和人工修订；调用超时、限流或返回异常时，能够回到规则或人工队列。模型不应直接覆盖原始订单、设备数据或财务事实，自动执行高风险动作前还要有权限、额度和审批限制。

评测从现有方法的基线开始。分类任务按业务类别报告精确率、召回率和混淆情况；字段抽取逐字段统计完全正确率与人工修改时间；预测看时间切分后的误差与实际决策收益；推荐不仅看点击，还要看成交、退货和多样性；生成式问答记录答案正确、引用正确、应拒答却回答和严重错误。平均准确率不能掩盖少数高风险类别。

NIST 的 生成式 AI 风险管理配置文件 适合用于识别虚构、隐私、偏差、人机依赖和持续监测等风险，但只有生成式 AI 项目才需要引用这一框架。传统预测或视觉模型也要做数据划分、漂移和错误分析，不应生搬大模型风险清单。若系统处理个人信息，还需依据 个人信息保护法 确定目的、必要范围和委托处理边界。

上线建议经历影子运行、辅助决策和有限自动化三个阶段。影子期算法给结果但不影响业务，用于比较人工；辅助期由人确认并记录修改原因；只有达到预定阈值、严重错误受控且回滚有效，才让低风险范围自动执行。模型或提示词升级必须在冻结评测集上回归，按版本灰度发布，结果下降时可切回上版。

成本也要按一次有效业务结果计算，包括模型调用、算力、存储、人工复核、监控和错误损失，而不只看 token 单价。若规则已经达到目标且错误可控，升级自训练模型未必划算。滚水科技公开的 AI 案例 和 全语通案例 可用于了解应用方向，但新项目效果仍需客户样本证明。