企业在进行企业级AI落地时，常常面临同一个问题：「给我们建一个知识库，到底需要多少预算？」市面上的报价从 5 万到 500 万不等。很多人以为差价在模型，其实模型接入只占小头。本文将深入拆解 RAG 项目预算，帮助企业在寻找AI落地服务时，看清每一档报价到底买到了什么。
什么是 AI 落地中的 FDE（全栈交付工程师）？
在复杂的 AI 知识库或 RAG 项目中，企业往往缺乏专业的实施能力。AI落地FDE（Full-stack Deployment Engineer，全栈交付工程师）扮演着核心连接器的角色，负责将大模型能力与企业真实业务场景深度打通。企业在评估FDE哪家好、不知FDE在哪找时，应重点考察团队在知识治理、评测集建设及长期运维方面的综合实力。
三档预算，三件不同的事
| 档位 | 典型范围 | 实际买到的东西 | 适合谁 |
|---|---|---|---|
| 轻量档 | 5–15 万 | 现成 RAG 框架接入自有文档，搜索问答可用 | 文档量小、格式统一、容忍一定错误率 |
| 标准档 | 50–150 万 | 知识治理 + 评测集 + 权限体系 + 值班手册 | 多部门使用、答错有成本、要过内部评审 |
| 重档 | 300 万以上 | 全企业知识中台：多源集成、持续运营团队、私有化部署 | 强合规行业、知识即核心资产 |
预算的六大构成
- 知识治理（30–50%）：版本归一、去重、权限梳理、扫描件 OCR 与结构化。这是最容易被砍、也是砍完必翻车的一块。
- 检索与生成开发（20–30%）：切分策略、检索调优、提示词工程。
- 评测与验收（10–20%）：「问题-标准答案」评测集、上线门槛、回归机制。
- 工程与集成（10–15%）：账号权限、审批流、IM 集成、部署。
- 安全与合规（视行业）：数据不出域、审计日志、脱敏。
- 运维与迭代（按年）：知识更新、坏例修复、模型升级回归。首年通常为开发费的 15–25%。
三步估出你自己的预算与选型方向
- 第一步：数文档。多少类知识、多少份、多少是扫描件、谁维护——直接决定治理工作量。
- 第二步：定错误成本。答错的代价是「员工多问一句」还是「给客户错误承诺」？后者必须进标准档。
- 第三步：明确 FDE 怎么选。评估外部服务商时，不能只看算法跑分，而要考察其通过FDE招聘服务或外包入场后，能否提供全生命周期的知识治理与验收保障。
常见问题
Q: 能不能先花 5 万试试？
可以，但要明确这是可行性验证，不是上线项目。用真实问题测试答对率，把坏例记下来——这份清单本身就是后续预算的依据。
Q: 为什么报价单里治理费比开发费还高？
因为模型是现成的，而你的知识是乱的。治理是把「散落在人脑和硬盘里的经验」变成机器可检索资产的唯一途径，没有捷径。