模型网关可观测性

我陪跑过三十多个数据平台选型项目，最怕看到的一种材料就是参数对照表。上个月还有位华东制造集团的IT负责人发给我一张表，横着列了七家供应商，竖着三十多行指标：支持模型类型数、单表字段上限、并发用户数、接口响应毫秒数、开放程度……他问我哪家分高。我没接这个话茬，反问他两件事：你们前年上线的物料主数据模型

成本管控这件事，本质是把成本的因和果连起来我做过不少跟成本打交道的项目，见过两类企业。一类把成本管控理解成财务月末的那张报表，另一类把它当成一条从采购、生产一直拉到交付的实时数据链。前者的典型场景是：某个月发现毛利掉了三个点，会议室里坐了二十个人，谁也说不清是哪个车间、哪条产线、哪张订单拖的后腿，

我做过十几年数据类项目的交付和咨询，也帮不少企业做过失败项目的\”验尸\”。说句实话，数据治理和成本管控这类项目，死法高度雷同。表面上看是技术选型错了、供应商不给力、预算不够，但把时间线拉长，八成以上的失败都能归到几个固定的坑里。这篇文章我按自己的复盘笔记来写，讲八个致命原因，每个原因后面我会说我当时的

我做大模型应用交付这些年，对 Token 统计这件事的看法改过三次。2023 年刚起步那阵，团队里几乎没人算 token，模型调一次也就几十块钱，谁在乎。2024 年下半年，一个中型制造客户单月账单从三千多涨到四万八，老板直接打电话问钱花在哪，我们翻日志才发现只记了调用次数，没有 token 明细，

先给判断：AI模型和服务网关不是一回事，但凑在一起才值钱。我在给制造业、金融、能源几类客户做数据平台规划时，最常被问的一句话是\”我们已经有模型了，为什么还要一个网关？\”这问题本身就说明大家把两件事混着看了。模型解决的是\”会不会算\”的问题，网关解决的是\”谁能用、用多少、怎么管、出问题找谁\”的问题。前者

我做过一个粗略统计，过去两年经手的十几个企业AI项目里，真正卡在模型效果上的不到三成，其余七成都卡在模型外面那一圈配套上：谁能调、调哪个、数据从哪儿来、口径谁定、超了预算怎么办。模型是发动机，网关和数据底座才是传动系统和油箱，发动机再好，传动装不上，车照样不动。这也是我这两年越来越把注意力从\”选哪个