阿里雲的 AI 服務地圖，從模型 API 到部署

第一次打開阿里雲的產品清單，很容易被數量嚇到。名字都很像，看起來每個都跟 AI 有關。

其實它有清楚的分層邏輯。這篇不是產品目錄，是一張地圖：告訴你三層各自負責什麼，以及你手上的需求該走哪一條路。

先把地圖畫出來

阿里雲跟 AI 有關的服務，可以照「你要不要碰模型本身」分成三層。這個分法比照產品名稱背誦有用得多。

1. 呼叫層：模型已經幫你準備好，你只負責發請求、收結果。
2. 打造層：你要自己準備資料、訓練或微調，並把成果部署成服務。
3. 資料與檢索層：讓模型看得到你自己的知識，也就是 RAG 那一塊。

呼叫層，Model Studio

官方把 Model Studio 描述為一站式模型服務平台，提供 Qwen 系列與第三方大型語言模型的存取，並且是依用量計費，官方文件寫明只有在你呼叫模型的時候才產生費用。

涵蓋的能力不只文字。官方列出的範圍包含文字生成、視覺理解、圖片生成、影片生成、語音辨識與合成，以及向量嵌入。

對開發者最有感的一點是它支援與 OpenAI 相容的 API。官方的說法是更新 API 金鑰、base URL 與模型名稱，就能把既有的 OpenAI 程式移轉過來。這代表你不必為了試一個新模型重寫整個資料層。

平台端也有監控，官方提到可以追蹤呼叫次數、token 消耗量與成功率等統計。這在你要抓成本與抓失敗率的時候很重要。

打造層，PAI

PAI 是阿里雲的機器學習平台，官方定位是涵蓋端到端的 AI 開發生命週期，從資料準備、模型訓練到模型部署。它底下分成幾個模組，各自負責流程的一段。

這一層的重點是你開始擁有模型與環境，同時也開始要為機器成本、版本管理與監控負責。不要在還沒驗證需求的時候就跳進來。

資料與檢索層

光有模型不夠，模型要看得到你自己的資料才有用。阿里雲在這一塊有兩種取徑。

第一種是直接用 Model Studio 內建的知識庫功能，官方把它描述為一個獨立的檢索增強生成功能，計費依規格時長與模型呼叫計算。門檻低，適合先把流程跑通。

第二種是走專門的檢索服務，官方文件裡出現過的方案包含 OpenSearch 的向量與對話式搜尋版本、AnalyticDB for PostgreSQL 的 RAG 服務，以及基於 Milvus 的向量檢索服務。資料規模大、檢索策略複雜的時候才需要走這條路。

一條務實的推進路線

先在呼叫層用 API 把功能做出來，確認題目有解、輸出品質夠用。這個階段你要驗的是需求，不是基礎設施。

接著把自己的資料接進來，用知識庫或檢索服務讓回答貼近你的實際情境。多數品質問題出在這一步，不是出在模型不夠大。

最後才評估要不要進 PAI 做微調或自架部署。觸發條件通常是三個：資料不能外流、用量大到成本結構要重算、或是通用模型在你的專業領域怎麼調提示詞都不夠準。