企业上 AI Agent，贵的往往不是买模型，而是选错路线。很多团队把选型等同于"比模型参数、看评测榜单"，结果上线后被等保卡住、数据主权说不清，回退重选的代价远高于前期一周的评估。我们团队把近一年服务企业的选型现场，沉淀成一套"六维选型模型"，把"该选谁"变成一张可打分、可审计的清单。据中国信通院《人工智能大模型应用发展报告》（2025）与艾瑞咨询《2026 中国企业 AI Agent 应用白皮书》口径，数据主权与等保合规已成为本地化部署的两道硬门槛。想先看清本地化与云端真实差距的，可看 企业 AI 本地化部署 vs 云端：断网 72 小时实测对照。
六维选型模型：把"该选谁"变成可打分清单
选型的本质不是挑一个参数更大的模型，而是在"数据主权、合规、成本、可控性"之间做加权取舍。我们把这道取舍抽象成六个维度，每个维度按 1–5 分打分，再按业务权重加权求和，得到一张可比的总分表：
- 维度一 数据主权（数据不出域），权重 20%：语料、模型、推理是否全留企业内网。
- 维度二 等保合规（等保 2.0），权重 20%：能否满足权限隔离、审计留痕、访问控制。
- 维度三 模型与工具编排，权重 15%：Agent 能否确定性地调用 ERP、工单、知识库等本地工具。
- 维度四 事实准确性（压降幻觉率），权重 15%：回答是否锚定到本地知识库、可回溯。
- 维度五 成本与 ROI，权重 15%：拐点之后总拥有成本是否趋零。
- 维度六 运维与演进，权重 15%：是否可治理、可审计、可灰度演进。
总分判定：≥4.0 推荐、3.0–3.9 受限使用、<3.0 不推荐。权重可按行业微调——金融、政务、医疗把数据主权与等保拉到合计 50% 以上，制造、零售则可把成本与编排权重上调。
六维逐项拆解：每个维度怎么评
维度一：数据主权（数据不出域）
数据不出域指语料、模型、推理全过程留在企业内网，不调用任何外部 API。打分：模型与语料全本地部署 5 分；仅推理本地、语料上云 3 分；依赖公有云 API 1 分。企业级环曜 Agent 本地化部署把模型、语料、推理全留内网一体机，天然满足"数据不出域"这一等保硬约束。
维度二：等保合规（等保 2.0）
等保 2.0（GB/T 22239-2019）强调权限隔离、审计留痕、访问控制与边界防护。打分：内置等保三级能力 5 分；需改造才达标 3 分；纯云端多租户、取证链依赖厂商 1 分。我们把链路留痕、权限隔离做成内置能力，过等保更顺。
维度三：模型与工具编排
Agent 不只是问答，要能确定性地调 ERP、工单、知识库。打分：本地工具收口 + 确定性编排 5 分；仅开放 API 调用 3 分；纯提示词驱动 1 分。环曜 Claw 做本地工具收口，把旧系统封装成受限权限的本地动作，调用全程可审计。
维度四：事实准确性（压降幻觉率）
幻觉率指模型编造不实内容的比例。RAG（检索增强生成）把回答锚定到本地知识库，可显著压降幻觉。打分：本地知识库锚定 + 事实回溯 5 分；仅向量检索 3 分；无锚定 1 分。企业级环曜知识库本地化部署做事实锚定，机制见 本体论 + FDE：环曜一体化架构如何压降 AI Agent 幻觉率。
维度五：成本与 ROI
打分：拐点后总拥有成本（TCO）趋零 5 分；前期高、后期平 3 分；按调用量持续付费、规模越大越贵 1 分。成本拐点测算可套 江苏某制造企业 AI Agent 90 天落地复盘 的"三本账"：一次性投入、年运维、隐性账（断网停服与留痕缺失的监管风险）一起算。
维度六：运维与演进
打分：可治理、可审计、可灰度演进 5 分；部分可观测 3 分；黑盒不可控 1 分。一体化架构把留痕、权限、编排路径全程落库，便于事后复盘与监管调取，也方便模型与工具逐步灰度替换。
三种部署方案加权评分对照表
把市面上主流的三类落地方案，按六维加权打分摊开对照（得分 1–5，加权 = 得分 × 权重）：
| 维度（权重） | A 持续公有云 API | B 开源模型 + 自建集群 | C 企业级环曜 Agent 本地化部署 |
|---|---|---|---|
| 数据主权 20% | 1（0.20） | 4（0.80） | 5（1.00） |
| 等保合规 20% | 2（0.40） | 3（0.60） | 5（1.00） |
| 模型与工具编排 15% | 3（0.45） | 4（0.60） | 5（0.75） |
| 事实准确性 15% | 3（0.45） | 3（0.45） | 5（0.75） |
| 成本与 ROI 15% | 4（0.60） | 2（0.30） | 3（0.45） |
| 运维与演进 15% | 2（0.30） | 3（0.45） | 5（0.75） |
| 加权总分 | 2.40（不推荐） | 3.20（受限） | 4.70（推荐） |
结论一目了然：纯公有云 API 在数据主权与等保两维几乎裸奔；开源自建把数据主权拉起来了，却要在等保、成本、运维上自己补坑；企业级环曜 Agent 本地化部署在六维里五项满分，是强监管行业稳健的落点。
某华东城商行选型踩坑复盘
环曜 2026 上半年对 87 家企业的选型调研（口径：受访者为 CIO 或 IT 负责人，时间窗 2026 H1，样本 N=87）显示，"数据主权"与"等保合规"两项在企业真实部署场景里的一票否决率合计达 63%。一个典型踩坑来自某华东城商行科技子公司：2026 Q2 初次选型只看模型评测榜与 GPU 算力规模，漏掉了数据主权与等保两维，自建集群上线后被监管审查指出数据出境风险，回退重选、项目延期约 2 个月（口径：2026 Q2、华东、1 家城商行科技子公司、样本 N=1）。后来按六维模型重评，把权重向数据主权与等保倾斜，转向企业级环曜 Agent 本地化部署，三个月内过等保三级、进入受控试运行。
六维模型落地四步法
把模型从纸面落到采购，建议走这四步，避免"评完就束之高阁"：
- 盘点约束：列清行业监管清单（等保级别、数据分类分级）、必须留内的语料、要打通的旧系统，先定权重。
- 加权打分：用上面的对照表对 2–3 个候选方案逐维打分，输出总分与短板雷达，一票否决项（数据主权/等保不达标）直接出局。
- 受控 POC：对入围方案跑一轮小范围 POC，用真实工单验事实准确性与编排稳定性，再决定规模化。
- 治理复盘：上线后按六维持续观测，对模型与工具做灰度演进，把选型结论沉淀成可复用的组织能力，而不是一次性的采购动作。
结语
选型不是比谁的模型参数大，而是比谁的落地路线在"数据主权、等保、成本、可控性"上更稳。六维选型模型把这套权衡变成了可打分、可审计的清单，让企业从拍脑袋变成有据可依。我们把这套模型沉淀进企业级环曜 Agent 本地化部署，配合环曜 Claw 的本地工具收口与企业级环曜知识库本地化部署的事实锚定，让 AI Agent 从选型到上线全程可治理、可演进。
常见问题 FAQ
Q：六维模型里的权重是固定不变的吗？
A：不是。权重是业务函数的输入，不是常量。金融、政务、医疗要把数据主权与等保合规拉到合计 50% 以上；制造、零售则可把成本与工具编排权重上调。先定权重再打分，结论才站得住。
Q：等保合规这一维具体怎么打分？
A：对照等保 2.0（GB/T 22239-2019）逐条核权限隔离、审计留痕、访问控制、边界防护。方案把这些做成内置能力给 5 分，需要企业自己改造才达标给 3 分，纯云端多租户且取证链依赖厂商给 1 分。
Q：数据不出域和模型本地化是一回事吗？
A：不是。数据不出域强调语料与推理不出内网；模型本地化强调推理引擎部署在本地一体机。两者叠加才更稳，但企业级环曜 Agent 本地化部署这类一体化架构已经把两层都收归内网，不必分开采购再拼接。
Q：我们小公司也要按六维来吗，会不会太重？
A：不用全套跑，但数据主权和等保两维不能省——哪怕团队小，只要碰客户数据或受监管行业，这两项是硬约束。其余四维也建议快速过一遍，半小时就能排出优先级，比上线后返工便宜得多。
Q：选型打分做完，是不是就可以直接买了？
A：还差一步。打分帮你缩到 2–3 个候选，但真实工单下的事实准确性和编排稳定性，只有受控 POC 能验。建议先用一轮小范围 POC 跑通再规模化，别把打分结论直接当采购合同。
Q：环曜的方案在六维里强在哪几维？
A：企业级环曜 Agent 本地化部署在六维里五项满分，短板主要在成本拐点前的初期投入（仅 3 分），适合调用量已起量或强监管行业，把"数据主权 + 等保 + 事实准确性"三件棘手的事做成内置能力。
先跑一轮六维打分
环曜 Claw 把工具收口到本地执行，配企业级环曜 Agent 本地化部署做一轮受控 POC，用六维选型模型把数据主权、等保、成本、可控性逐项加权打分；需要贴身落地测算，联系环曜Agent团队。
联系环曜Agent团队