技术选型对比 v2
基于联网调研的对抗性分析版本，对原有技术选型进行勘误、丰富与升级。聚焦 2025-2026 年模型许可证、框架成熟度等关键变化。
一、原版问题总结
原版「技术选型对比」存在以下不足：
- LLM 选型数据过时：未提及 DeepSeek R1（2025 年 1 月发布，MIT 许可证）和 Qwen3 系列
- 许可证风险缺失：未分析各模型的商业许可限制
- 框架成熟度未量化：LangGraph vs CrewAI 的生产就绪度对比缺失具体数据
- 部署路径未讨论：自托管 vs API vs AWS Bedrock 三种路径的选择标准缺失
二、LLM 模型选型（2026 更新）
国产开源三巨头对比
| 模型 | 许可证 | 商用限制 | 本地部署 | 中文优化 | 推荐场景 |
|---|---|---|---|---|---|
| DeepSeek R1 | MIT（最宽松） | 无明确限制 | ✅ | 优秀 | 成本敏感、合规要求高、中文深度优化 |
| Qwen3 系列 | Apache 2.0 | 月活 >100M 需商业许可 | ✅ | 优秀 | 有生态需求（通义千问配套） |
| GLM-4 | 自定义许可证 | 禁止竞争应用 | ✅ | 良好 | 仅内部工具（非客户Facing） |
许可证风险详解
DeepSeek R1（MIT）：
├─ 最宽松
├─ 可自由修改、部署、商业使用
└─ 推荐：面向客户的 SaaS 产品首选
Qwen2.5（Apache 2.0 + 100M 限制）：
├─ 通用场景无影响
└─ 警告：如果月活超过 1 亿，需商业谈判
GLM-4（自定义许可证）：
├─ 限制竞争应用
├─ 适合：内部工具、客服辅助
└─ 警告：面向客户的产品需先确认条款
开源权重 vs 开源：
├─ DeepSeek R1、Qwen、GLM 均为「开源权重」
├─ 不等于开源治理（训练数据和决策不透明）
└─ 如需完全开源，需关注 Llama 系列
Qwen3 更新（2025-2026）
Qwen3.5-Max 发布（2025-02）：
├─ 20 万亿 tokens 预训练
├─ SFT + RLHF 后训练
├─ Arena-Hard、LiveBench、LiveCodeBench 表现优于 DeepSeek V3
└─ API 可用（qwen-max-2025-01-25）
Qwen3 即将发布：
├─ 下一代基模
└─ 预计进一步提升推理能力
Qwen3-Coder-Next（2025）：
├─ SWE-Bench 70.6 分
├─ 46GB 4-bit 量化可本地运行
├─ OpenAI 兼容 API
└─ 直接集成 Claude Code
选型决策树
第一步：你的数据是否敏感？
│
├── 是（医疗/金融/政府）
│ └── 自托管（DeepSeek R1 / Qwen2.5）
│
└── 否
├── 预算敏感 / 中文深度优化
│ └── DeepSeek R1（MIT，最灵活）
│
├── 已有阿里云生态
│ └── Qwen3（Apache 2.0，配套完善）
│
└── 追求前沿能力
└── Qwen3.5-Max API 或 Claude/GPT
Coding 模型专项对比（2025-2026）
| 模型 | SWE-Bench | 本地运行 | Claude Code 集成 | 推荐 |
|---|---|---|---|---|
| GLM-4.7 | 74.2 | 需高端 GPU | OpenAI 兼容 | 最高分 |
| Qwen3-Coder-Next | 70.6 | ✅（46GB 4-bit） | OpenAI 兼容 | 最易部署 |
| DeepSeek-V3.2 | 70.2 | 云端（Bedrock/Azure） | OpenAI 兼容 | 云端优先 |
三、Embedding 模型选型
原版未深入
原版仅提到「Qwen3 Embedding」。v2 补充腾讯优图实战方案：
腾讯优图 2B 级 Embedding 模型（2025）：
├─ 多阶段训练
├─ Reranker 分层蒸馏
├─ 结构化表检索能力
└─ 图检索优化
选型建议：
├─ 多语言检索、超长文档 → Qwen3 Embedding
├─ 复杂文档（含表格/结构化数据）→ 腾讯优图方案
└─ 通用场景 → paraphrase-multilingual-MiniLM-L12-v2
四、框架成熟度量化对比（2026）
多 Agent 编排框架
| 框架 | GitHub Stars | 生产就绪度 | 维护活跃度 | 学习曲线 |
|---|---|---|---|---|
| LangGraph | 126K+ | ⭐⭐⭐⭐⭐ | 极高 | 陡（1-2周） |
| CrewAI | 44.6K | ⭐⭐⭐ | 高 | 缓（数小时） |
| AutoGen | 30K+ | ⭐⭐⭐ | 中 | 中 |
| Claude Agent SDK | N/A | ⭐⭐⭐⭐ | 高 | 缓 |
| OpenAI Agents SDK | N/A | ⭐⭐⭐ | 高 | 缓 |
LangGraph 生产就绪度分析
LangGraph 的生产优势：
├─ 状态机模型 → 精确控制每个步骤
├─ Checkpointing → 断点恢复，无需从头开始
├─ 递归限制 → 防止成本暴走
├─ Breakpoint → 人在回路
├─ LangSmith → 内置可观测性
└─ 模型无关 → 可随时切换 LLM
LangGraph 的生产风险：
├─ 学习曲线陡（需要状态机思维）
├─ 代码量多（比 CrewAI 多 2-3 倍）
└─ 调试需要图论知识
CrewAI 生产就绪度分析
CrewAI 的原型优势：
├─ 数小时上手
├─ 角色映射自然
├─ Flow + Crew 组合灵活
└─ 快速构建多 Agent 协作
CrewAI 的生产风险（「复杂度墙」）：
├─ 长流程容错差（失败后难以精确恢复）
├─ 条件分支需自定义逻辑（比 LangGraph 脆弱）
├─ 循环/重试不易控制
└─ 中等复杂度场景（5+ Agent）后维护困难
五、向量数据库选型
2025-2026 选型矩阵
| 数据库 | 数据规模 | 持久化 | 性能 | 维护成本 | 推荐场景 |
|---|---|---|---|---|---|
| FAISS | 小-中 | ❌（重启丢失） | 最快 | 低 | MVP、实验 |
| Chroma | 小-中 | ✅（SQLite） | 快 | 低 | 快速原型 |
| Qdrant | 中-大 | ✅ | 高 | 中 | 生产级轻量 |
| Milvus | 大-海量 | ✅ | 高 | 高 | 企业级海量 |
| Pinecone | 中-大 | ✅（云托管） | 高 | 低（托管） | 云原生 |
| Redis + RediSearch | 小-中 | ✅ | 高 | 中 | 已有 Redis 栈 |
推荐原则
规模 < 10M 向量：Chroma（轻量）
规模 10M - 100M：Qdrant（性价比）
规模 > 100M：Milvus（分布式）
已有云厂商：Pinecone / 云自带向量服务
不想运维：Pinecone（完全托管）
六、部署路径决策
三种部署路径
1. Proprietary API（最简单）
└─ OpenAI / Claude / Qwen API
├─ 优点：零基础设施，即用
└─ 缺点：全价付费，数据经过第三方
2. Self-Hosted Open-Weight（最灵活）
└─ DeepSeek R1 / Qwen2.5 本地部署
├─ 优点：完全控制，最低边际成本（大批量）
└─ 缺点：需 GPU 资源和 ML-Ops 能力
3. AWS Bedrock Managed Open-Weight（平衡方案）
└─ DeepSeek / Qwen / Kimi K2 on Bedrock
├─ 优点：企业 SLA，数据不出 AWS，零运维
└─ 缺点：比自托管贵，比 API 灵活
选型标准
| 场景 | 推荐路径 |
|---|---|
| 快速验证 MVP | Proprietary API |
| 大批量推理 + 数据敏感 | Self-Hosted |
| 不想运维 + 合规要求 | AWS Bedrock |
| 成本极敏感 + 中文优化 | Self-Hosted DeepSeek R1 |
| 团队无 ML-Ops 能力 | Bedrock 或 API |
AWS Bedrock 2025 扩展（重要更新）
2025 年 12 月 AWS Bedrock 大幅扩展：
├─ 新增 18 个完全托管的开源模型
├─ Qwen3 系列
├─ Kimi K2
├─ MiniMax M2
└─ 其他主流开源模型
优势：
├─ 企业 SLA
├─ 数据区域驻留
├─ 无 GPU 采购
├─ 无集群管理
└─ 选择模型 → 配置护栏 → 调用 API
七、关键修正总结
| 原版问题 | v2 修正 |
|---|---|
| LLM 选型数据过时 | 新增 DeepSeek R1（MIT）、Qwen3.5-Max、GLM-4.7 |
| 未分析许可证风险 | 详细分析 MIT/Apache 2.0/自定义许可证及商业限制 |
| 未提及 Coding 模型对比 | 新增 SWE-Bench 专项对比 |
| 框架成熟度未量化 | 新增 GitHub stars、生产就绪度量化数据 |
| 部署路径讨论不足 | 新增三种路径决策标准 + AWS Bedrock 2025 扩展 |
| 未提及 Embedding 模型 | 新增腾讯优图 2B 级 Embedding 方案 |
八、参考资料
- China Open Source LLMs: DeepSeek, Qwen & GLM Licensing Guide — Bestaifor 2026
- Open-Source AI Models in 2025 and Beyond — SoftwareSeni 2026
- Qwen2.5-Max — 阿里通义千问 2025
- Multi-Agent AI Systems: LangGraph vs CrewAI Production Guide — AIStackInsights 2026
- LangGraph vs CrewAI: Comparison Guide — Xcelore 2025
- 腾讯优图 RAG 技术的架构设计与创新实践 — 腾讯优图 2025