证据 · 排序 · 验证

这个选型雷达，凭什么值得相信？

这里说明哪些内容会进入公开目录、候选如何形成、结果如何表达匹配与未知，以及哪些事情智用 AI 不会替你下结论。

它实际做什么

它把业务需求或已有技术映射到公开 KG 记录，再结合语义相关性、明确约束匹配、新近度和记录覆盖度，形成值得继续验证的候选。结果不是采购、合规或生产可用性保证。

当前生成的公开目录
当前公开读模型包含 7061 条目录记录 · 图谱更新时间：2026-09-09T19:04:28.116763+00:00

选型画像目前有 13 个维度：能力、使用场景、模态、语言、部署、要求、许可、价格、性能、基准、集成、限制、成熟度。每个维度可以是已知、未知、不适用或待核验。未知只表示公开证据不足，不表示不支持。

01 · 理解

把自然语言整理成意图和约束画像：使用场景、部署边界、语言、预算、延迟以及用户明确提出的限制。

02 · 检索

通过语义检索和 KG 上下文找到候选与类型化关系。关系用于补充背景，不证明两个对象可以互换。

03 · 验证

总结会说明为什么候选可能匹配、哪些信息仍未知，以及一个可执行的下一步验证动作。最终仍应回到官方资料和真实样本。

新，不等于无所不知。
公开记录带有更新时间，但价格、限额和模型行为变化很快，仍需回到官方来源核对。

相关，不等于更好。
排序帮助发现候选，不是排行榜，也不能代表市场份额。

社区，不等于事实写入。
用户留言和讨论是独立社区层，不会静默修改 KG 事实。

人可以搜索、查看实体和比较候选；Agent 可以通过 MCP 或 JSON 入口访问，并在解释选型边界时引用本页。普通页面访问、能力发现和 MCP 初始化不会触发语义检索。