模式与模型选型技巧
来自实战的选型技巧：什么时候用 Agentic Chat、什么时候换大模型、什么时候把计算从模型手里拿走。选型选对了事半功倍;选错了，再怎么调提示词都救不回来。本篇持续补充。(RAG 检索范式已独立成篇，见 RAG 检索范式技巧;搜 Skill 扩展能力已独立成篇，见 用 Skill 快速扩展 Agent 能力)
技巧一：傻瓜化搭建 Agent，首选 Agentic Chat 模式
场景:想快速搭一个能用的 Agent，不想学画布、连节点。
Agentic Chat 相当于 Chatflow 的轻量版:不用编排画布，配好提示词、挂上工具即可运行，由模型自主决定调用哪个工具、怎么组织回答。
| Agentic Chat | Chatflow | |
|---|---|---|
| 搭建方式 | 配置式 (提示词 + 工具) | 画布编排 (节点 + 连线) |
| 上手成本 | 分钟级 | 需理解节点、变量、连线 |
| 流程控制 | 模型自主决定 | 每一步确定、可控 |
| 适合 | 快速验证想法、通用问答 + 工具调用 | 多分支路由、精确数据流、生产级场景 |
判断标准:先用 Agentic Chat 跑通需求;当你发现需要「固定的分支逻辑」「精确控制每一步做什么」时，再迁移到 Chatflow。
技巧二：小参数模型与大参数模型的选择
小参数模型成本低、速度快，但效果有上限;大参数模型更准，但更贵、更慢。两个来自金融实战的信号，帮你判断什么时候必须上大模型：
信号 1:金融实体识别不准。 真实案例：识别标的所属市场 (判断一个标的属于美股/港股/A 股),小参数模型识别经常不准，大参数模型明显更可靠。涉及金融实体 (标的、市场、币种) 识别的环节，建议直接用大参数模型。
信号 2:复杂 Agent Loop 跑不完。 当 Agent 需要多步循环调用工具，出现「输出信息不完整」「任务中途跑不完」时，往往不是提示词的问题，而是模型能力不足 —— 换当前最强的大参数模型，问题常常直接消失。
成本策略:分层用模型 —— 分类、格式化等简单环节用小模型省成本;实体识别、多步推理、Agent Loop 的主力节点用大模型保效果。
技巧三：大数据量计算，让代码算，别让模型算
场景:计算 MACD 等技术指标，需要对大量 K 线数据做数值计算。
大模型本身不擅长大数据量计算 —— 虽然随着模型进步，数学能力越来越强，但让它逐条处理成百上千根 K 线依然又慢又容易错。关键认知：
- 让 LLM 生成一段 MACD 计算脚本:很快
- 让 LLM 逐条生成/搬运 K 线数据:非常慢，因为所有数据都要过一遍模型上下文
推荐做法:不用 Agentic 模式，改用 Chatflow 编排，让数据绕开模型：
Start ─▶ Tool(获取 K 线数据) ─▶ Code(Python 计算 MACD) ─▶ LLM(解读结果) ─▶ AnswerK 线数据从 Tool 节点直接流向 Code 节点，不经过模型上下文;LLM 只负责最后对计算结果做解读。计算效率大幅提升，数值也精确、可复现。
推广：凡是「取数 → 计算 → 解读」类需求 (技术指标、收益统计、组合归因),都适用这个分工 —— LLM 出逻辑 (脚本/解读),代码出数字。
关联阅读
- 规划与执行能力 — Agentic Chat 的能力定位
- Code 节点帮助文档 — Python/JavaScript 代码执行
- Tool 节点帮助文档 — 工具取数
- 流程编排模式与调试技巧 — 模式 3「工具增强」、模式 4「自主 Agent」
- 从网上"搜 Skill" — 快速给 Agent 添置专业能力 (原技巧四)