per-customer 并非项目制:如何把定制压缩为训练

“为每个客户单独做”在企业软件里常被视为危险信号：需求无限扩张、交付依赖专家、边际成本不降，最后形成项目制。但在模型产品中，目标分布确实因客户而异。商品、规则、话术、系统和客群都不是公共基座模型能够完整预知的，完全拒绝 per-customer 又会牺牲效果。

争论的关键不在“是否为客户做适配”，而在适配劳动是否能被标准化、测量并复用。未来对话把目标概括为“把 per-customer 的定制压缩成 per-customer 的训练”。要让这句话接近学术命题，就必须给出反证条件：如果第十个客户仍与第一个客户投入同样的人天，所得又不能改善后续客户，那么它仍然是项目制，只是换了 AI 名称。

一、先区分四种客户特异性

不是所有“客户差异”都应进入模型。

配置差异：品牌名、营业时间、渠道开关等，应由配置管理，不需训练。 知识差异：商品、库存、政策与活动持续变化，应由数据库、API 或 RAG 承载。 流程差异：退款审批、会员查询、工单流转等，应由可复用连接器与工作流表达。 行为差异：商品比较方式、隐性需求识别、品牌语气与高频决策模式，才可能适合通过训练形成专属能力。

如果把配置和知识都硬编码或微调进模型，会增加维护成本；如果把复杂行为全写成长规则，又会回到人工维护软件。真正的“压缩”首先是把差异放到合适载体。

二、为什么客户分布值得单独适配

通用模型覆盖广泛语言分布，但客户任务是狭窄、动态且有私有规则的局部分布。Gururangan 等人在生物医学、计算机科学、新闻和评论等领域发现，通用预训练后继续进行领域与任务自适应，仍能获得一致收益¹。这说明大规模通用能力不能完全替代目标分布数据。

电商的粒度还可能细于行业。两家服饰品牌共享尺码、版型与搭配知识，却可能有相反的风格、不同面料定义和活动边界。客户适配不是因为通用模型“什么都不会”，而是因为局部决策边界由组织自己的数据和规则定义。

不过，外部研究不能证明每个店铺都必须微调。是否训练应由对照实验决定：配置、RAG 与提示词基线未达到目标，且高频错误可由稳定样本学习时，训练才有充分理由。

三、训练怎样降低重复劳动

参数高效适配为 per-customer 提供了一种可扩展技术结构。LoRA 冻结基座模型，训练少量低秩增量参数，在多项任务上显著减少可训练参数与显存需求²。从系统角度，可以共享基座与行业能力，为不同客户保存独立适配器、知识库和评测集。

技术可行不等于经济可行。真正降低成本的不是“参数少”，而是整条流水线可重复：

1. 连接并盘点客户数据；
2. 清洗、去重、脱敏与版本化；
3. 建立意图、风险和商品属性体系；
4. 生成或标注训练样本；
5. 训练候选模型或适配器；
6. 跑独立评测与红线测试；
7. 灰度、监控、回滚；
8. 把通用所得沉淀回行业层。

任何一步依赖少数专家的隐性经验，都会限制规模化。未来对话内部总结中的知识库、样本、效果调试、评测、质检、能力版本、店铺配置、策略、灰度和回滚等控制面，价值就在于把隐性劳动变成可重复流程；但价值最终仍应由人天与效果数据证明，而不是由页面数量证明。

四、什么可以跨客户复用

per-customer 不是客户间完全隔离地从零开始。可复用资产包括：

• 行业意图与风险分类体系；
• 数据清洗、脱敏、切分和标注规则；
• 商品属性模板与知识版本机制；
• 通用工具连接器与权限策略；
• 评测框架、严重度定义和回归流程；
• 已验证的训练配方与路由策略；
• 不含客户机密的行业级模式。

不可直接复用的则包括客户专有数据、合同限制内容、未授权话术和敏感用户信息。跨客户迁移必须在数据权利边界内完成，不能把“行业层变厚”理解为把 A 客户的私有对话复制给 B 客户。

数据表与模型卡的方法提醒我们记录数据来源、用途、限制与模型适用范围³⁴。只有可追踪的复用才是资产，无法说明来源的“经验沉淀”可能是合规负债。

五、项目制与训练产品的可证伪判据

判断一家公司是在做项目还是训练产品，最重要的指标是：

一个新客户从签约到跨过既定效果门槛，需要投入多少总人天？最近一批同类客户，这个数是否下降？

总人天必须包括售前解决方案、数据、算法、实施、运营与返工，不能只算训练 GPU 时间。门槛也必须预先定义，例如场景级端到端完成、严重错误、延迟与业务对照共同通过，而不是上线后挑一个好看的指标。

还应辅助观察：

指标	说明
冷启动起点	同行业新客户首日达到的能力，反映行业层复用
跨线周期	客户从签约到达标的日历时间
人工触点数	流程中必须由专家手动处理的步骤
自动化成功率	数据导入、标注、训练、评测与发布的自动通过比例
返工率	数据或版本问题导致的重复劳动
跨客户迁移增益	行业资产是否改善下一个客户基线
稳态维护人天	达标后每月维持效果所需人力
单位成功任务成本	把模型、平台与人工成本放在同一分母

如果冷启动提高但跨线人天不降，说明长尾关闭仍靠人；如果上线快却维护人天持续上升，成本只是被推迟。只有一组指标共同改善，才能证明“训练”改变了经济学。

六、为什么“每训一个，行业层就厚一层”需要条件

这个正反馈并非自然发生。要让客户经验沉淀回行业层，至少满足：

1. 样本能够区分行业共性与客户特性；
2. 数据授权允许做相应抽象或训练；
3. 评测能证明迁移没有损害其他客户；
4. 新能力被文档化、版本化并可回滚；
5. 迁移收益大于引入复杂度和遗忘风险。

持续学习研究显示，模型适配新语料时既要获得新知识，又要保留旧能力，现实中会面临分布差异与遗忘⁵。因此，“行业层越来越强”应通过固定跨客户基准验证，而不是用累计数据量代替。

七、定制的两种经济学

不可复用定制的成本近似线性：客户增加，专家投入同步增加。训练产品希望形成另一条曲线：行业层和流水线投入前置，单客户仍有适配成本，但边际人天随复用下降。

这并不意味着边际成本趋近于零。每个客户的数据权利审查、业务确认、敏感场景验收和组织变更都很难完全自动化。更现实的目标，是把机器擅长的重复步骤自动化，把人工集中在定义边界、解决歧义和验收高风险问题上。

a16z 对 AI 业务模型的早期分析指出，AI 公司常因云成本、复杂部署与人工支持呈现不同于传统软件的毛利结构⁶。这不是“AI 一定是服务公司”的结论，而是提醒：必须把所有交付与运行成本放进单位经济性，不能只看软件界面和订阅合同。

八、客户视角与投资视角为何不同

客户关心的是“这个系统是否真正懂我”，所以 per-customer 带来安全感：商品、规则、话术和权限不会被通用模板粗暴覆盖。投资与经营视角关心的是“每个新客户是否重新做一遍”，所以同一个词会触发项目制担忧。

二者不冲突。面向客户，应说明专属层如何建立、数据如何隔离、结果如何验收；面向经营，应提供跨线人天、维护人天和迁移增益。用“高度定制”安慰客户，却不给单位成本；或只讲“标准 SaaS”安慰资本，却回避实际人工，都不可持续。

九、怎样设计一条真正可复用的流水线

可复用流水线应将每个阶段的输入、输出与质量门槛固定下来：

• 数据接入输出数据清单、授权与质量报告；
• 知识构建输出版本化的商品、规则与话术资产；
• 标注输出指南、一致性和分歧记录；
• 训练输出模型卡、数据版本和超参数；
• 评测输出场景级结果、置信区间和红线失败；
• 灰度输出风险—覆盖曲线和回退计划；
• 运营输出事件、漂移与修复周期。

这样才能比较第一个与第十个客户，而不是靠团队印象判断“越来越快”。

十、一个诚实的结论

per-customer 既不是天然项目制，也不是天然护城河。它是一项需要被证明的生产假设。

当客户差异被正确分解，训练与评测流水线高度复用，单位客户跨线人天与稳态维护成本下降，同时客户专有数据受到隔离，per-customer 可以成为产品能力。反之，如果适配依赖持续驻场、每次从零写规则、效果无法跨客户迁移，它就是项目制，无论合同写的是 SaaS 还是 AI Agent。

十一、实验设计要避免“客户越多所以看起来越快”

后续客户交付更快，可能来自团队扩张、客户更简单或合同范围缩小，而非流水线复利。比较跨线人天时，应按行业、数据质量、系统集成数量、场景复杂度和风险要求分层，或建立难度校正。最好用同类客户队列观察趋势，并同时报告绝对人天与范围变化。

还要防止只统计成功上线客户。中止、延期和长期未跨线的项目必须进入分母，否则单位经济性会被幸存者偏差美化。对每个客户保留签约时的目标、范围和验收门槛，才能让第一个与第十个客户真正可比。

最后，学习曲线应区分一次性平台投入与客户专属投入。前者可以在多个客户间摊销，后者必须进入单客户成本；如果把大量专家劳动记为“研发”，表面边际成本会被人为压低。财务口径与交付工时应能够相互核对。

结语

“把定制压缩成训练”最有价值的地方，是它提供了一个可测量方向：不否认每家店不同，也不把差异无限交给人力。行业层负责复用，店铺层负责专属，流水线负责让适配成本逐步下降。

这套逻辑与三层模型架构相互支撑；它是否形成复利，则要用数据飞轮中的流量、质量与反证条件继续检验。

Footnotes

1. Gururangan et al., “Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks,” ACL 2020。ACL Anthology ↩

2. Hu et al., “LoRA: Low-Rank Adaptation of Large Language Models,” ICLR 2022。arXiv ↩

3. Gebru et al., “Datasheets for Datasets,” Communications of the ACM, 2021。ACM ↩

4. Mitchell et al., “Model Cards for Model Reporting,” FAT* 2019。ACM ↩

5. Jin et al., “Lifelong Pretraining: Continually Adapting Language Models to Emerging Corpora,” NAACL 2022。ACL Anthology ↩

6. Casado & Bornstein, “The New Business of AI (and How It’s Different From Traditional Software),” a16z, 2020。该文是产业分析而非同行评审证据，本文仅用其成本框架。a16z ↩