AI 与大模型
AI 工具链：检索、抓取与编排的现实组合
模型只是其中一环。先把数据来源、检索质量与失败兜底做稳，再谈换更大的模型。
AI 项目最常见的返工是「先接模型，后发现数据不可用」。这份清单按「数据 → 检索 → 编排 → 生成」排列，目的是让每一层都能被单独评估与替换，不被单一供应商绑定。
本期入选（6）
- GitHub 千星导航 · AI 与大模型 第 1 辑 ¥9.9
导航型资料，用来建立候选池，不作为直接部署依据。
- chroma · 深度导读卡 ¥2.9Apache-2.0 · Rust · ★29.6k
向量检索层，先验证召回质量再谈生成效果。
- meilisearch · 深度导读卡 ¥2.9NOASSERTION · Rust · ★59.8k
关键词检索的可靠基线，很多「语义检索不行」其实是关键词层没做好。
- Scrapegraph-ai · 深度导读卡 ¥2.9MIT · Python · ★32.5k
抓取与结构化提取，适合把非结构化页面转成可检索字段。
- openclaw · 深度导读卡 ¥4.9MIT · TypeScript · ★393.9k
代理式工作流思路，适合评估「多步任务」是否需要，而不是默认上代理。
- MoneyPrinterTurbo · 深度导读卡 ¥4.9MIT · Python · ★138.4k
内容生产流水线样例，用来看清素材、脚本、渲染三段如何拆分。
先证明数据可用
在接模型前，先回答：数据从哪来、更新频率、授权边界、清洗规则。四问答不上来，模型再强也只能放大噪声。
给生成加事实闸门
让模型只组织已入库的字段，禁止生成收入、用户数、融资等未经核实的数据，并在落库前扫描关键词与重复度。
准备降级路径
供应商限流与故障是常态。为每个调用点准备超时、重试上限与「无模型」兜底文案，避免整站因一个接口不可用而空白。
常见坑
常见坑：把模型输出直接当事实、没有成本上限、日志里打印完整提示词与密钥、只测成功路径不测限流。
替代方案
任务简单且数据规整时，规则引擎 + 模板可能比模型更稳、更便宜；模型的价值在非结构化输入的处理。