后期想加算法怎么办？

后期加算法没问题，但建议放在系统稳定、数据已经沉淀一段时间之后再做。推荐、识别、预测、自动分类这类能力都依赖足够量的真实业务数据，前期硬塞进去容易"模型没东西可学"。一般做法是先在系统里把数据采集和标注流程铺好，等业务跑顺再叠算法层。

我们在做项目时通常会和客户先确认一件事：要加的算法是什么类型？

• 如果是接成熟的大模型 API（比如做客服问答、内容审核、OCR、翻译这类），系统稳定后加进来的工作量并不大，主要是在业务流程里安插好调用点、做好缓存和兜底。比如 全语通 就是典型的"业务系统 + 模型能力"组合，模型部分迭代不影响主流程。
• 如果是要训练自有模型（比如基于客户历史数据做精准预测、行业专属推荐），那对数据量和数据质量的要求就高了。我们一般会建议先用规则版本上线，跑半年到一年积累正负样本，再做真正的模型训练。这样不至于上线之初模型效果差，反而被业务方质疑。
• 如果是 IoT 类的图像识别、异常检测，比如工厂的视觉质检，我们做过的项目通常是先把采集设备和图片上传链路铺好，标注后台同步上线，模型部分作为第二期的独立服务接入。

工程上的几个铺垫一定要在第一期做好：数据要规整存储（不要随手堆到日志里）、要预留模型服务的调用接口、关键业务字段要保留原始数据，方便后续回放。这样后期加算法时，不需要回头改前期的代码，只是新增一个服务。

预算和节奏上，算法相关的工作很难按"功能点"估算，更接近研发性投入。我们会在前期就和客户对齐这一点，把模型实验、效果验证和工程化分开排期，避免变成开放式的"做不完"。