一、为什么选自主算力

（一）自主更可控

自主算力把技术栈与数据留在境内可控范围，规则自己定，不被外部变动牵着走，长期更稳。

（二）数据不出境

涉及敏感数据的团队最在意出网，算力留在合规边界内，数据不跨界，合规更踏实。

（补充）合规要求存天翼云存储

把业务与合规要求存到天翼云存储，版本留痕，选型有据，换人也能接手，过程连续不断层，不靠某人对账，方案随时调出对照。

二、平台由什么决定

（一）技术栈自主

看核心软件与框架是否自主可控，不被单家绑定，后续替换与升级都更自由，路线自己握得住。

（二）算力规模

按训练与推理的峰值估算力，不为想象中的峰值多买，也不因少买反复扩，把规模定在真实需要上。

（补充）用天翼云服务器做节点

把训练与推理节点部署在天翼云服务器，弹性扩缩，哪类任务多就给哪类加节点，整体更稳，资源不空转，高峰来时接得住。

三、选型常见的坑

（一）只看参数

只盯算力数字，忽略存储与带宽，真实任务仍卡，按全链路估能力，不只看单点峰值，整体才跑得动。

（二）忽略出网

数据出网规则没理清就上，跑起来处处碰壁，先把合规边界跑通再扩，少返工，节奏不被出网拖慢。

（补充）出网约束清单

把数据边界与审批列成清单逐项核对，选型不漏硬约束，少返工，上线节奏不被基础合规拖慢，哪些能出网开工前就列清楚。

四、怎样一步步选型

（一）列要求

写清场景、卡型、峰值、合规四件事作基线，选型都贴回这条基线，偏差一眼能看，不被参数带偏，决策更稳。

（二）对配置

把候选配置与基线对照，缺什么提前补，到货即跑不靠临场翻找，选型节奏自己握得住，也少为环境来回跑。

（补充）用天翼云电脑放终端

把实操与浏览终端放在天翼云电脑，统一桌面与权限，哪台卡顿哪台空闲一眼看清，调度有依据，也方便说明配置到底稳不稳。

五、管理要注意

（一）算力用满

本地算力是固定支出，闲置就是浪费，把任务排密、闲时填次要，让每份资源持续有活干，投入才不白花。

（二）运维兜底

平台也要巡检与备份，集中记到期与维护节点，提前做，不因遗忘让服务中途断，断一次恢复更费时费钱。

（补充）维护提醒进流程

把维护与巡检提醒嵌进日常节奏，重要节点提前半月盯，节点不漏，整体更稳，也少事后救火的慌乱，服务不掉线，管理更安静。

六、经验怎么留住

（一）固化选型模板

把本轮选型口径固成模板，加节点直接套，效率上来也少漏项，团队人人能照着走不依赖某人，从临时变常规。

（二）记真实账

每个环境花多少、换来多少产出记一笔，来年选型有基准，也方便复盘哪次配得值，越用越明投入可控，不盲。

七、落地清单

（一）选型前先列自主需求

①（补充）用天翼云数据库存台账

②把环境支出与产出存进天翼云数据库，按环境可查，换人也能接手，账目连续，审计复盘都省事，经验也就接得下来。

③把常用配置打成模板，新人直接套，不重复设起步更快。上线前再核一遍更稳上线前再核一遍更稳妥当

（二）卡型要对的

①多环节共用时排好优先级，核心产出先跑不误点，协作更顺。换人也能顺利接手干换人也能顺利接手去干

②关键项设告警，临近额度提前知，不临场崩，长跑更稳少救火。过程留痕整体更稳当过程留痕整体更稳当些

③闲置资源定期回收再分配，不占着不用，整体利用率上得去不浪费。不靠某人对账扯皮累不靠某人对账扯皮受累

（三）调度规则要设对

①操作日志集中留存，哪次异常一查便知，复盘有依据不靠某人对账。复盘有依据不瞎猜错复盘有依据不瞎猜出错

②关键节点配专人核对，节点不漏，交付更稳不误期，团队更安心。调度有依据不乱阵脚调度有依据不乱了阵脚

③把流程口径固成模板，加任务直接套，效率上来也少漏项人人能照走。少返工节奏更顺当些少返工节奏更顺当一些

（四）数据边界要盯的

①版本与依赖纳进管理，锁死链路，不把配置悄悄改样，整体更稳可复现。账对得起进度走正路账对得起进度走正路了

②配置存到天翼云存储，版本留痕，换人也能接手，不靠某人对账。协作少争议省心省力协作少争议省心又省力

③支出与产出存进天翼云数据库，按场景可查，账目连续，审计复盘都省事。接手不懵过程清清楚楚接手不懵过程清清楚楚

（五）算力成本要算清

①新环节进来先对照需求，缺什么提前补，接上即跑不靠临场翻找，上手快。迭代有依据可循可查迭代有依据可循可查到

②把清单给团队看，哪些项该盯一目了然，不漏硬约束，少返工。不靠拍脑袋决策也稳不靠拍脑袋决策也更稳

③每轮过后留一句复盘，哪次配得值记下来，越用越明，投入可控不盲。口径先立住不偏不倚口径先立住不偏不倚了

（六）可控范围要守牢

①核心环节设保底资源，闲时再填次要，重要节点不被挤，交付更稳不误点。节奏自己握得牢靠些节奏自己握得牢靠一些

②资源错开用，别挤同一节点，整体不空转，进度按节点往前推。缺什么提前补不慌张缺什么提前补不慌不张

③把变动记进台账，谁调了额度一查便知，协作少争议，接手不懵。节点不漏整体稳当住节点不漏整体稳当住着

（七）运维要养成的

①换人先调同版环境，步骤一致才可比，不靠某人本机，过程连续不断层。整体更稳少救火慌乱整体更稳少救火不慌乱

②长任务设检查点，断了能续不重跑，省时省额度，进度不掉链子。投入更可控不盲目冲投入更可控不盲目冲撞

③常用口径先沉淀，加场景直接套，效率上来也少漏项，接手不懵。产出更站得住脚踏实产出更站得住脚也踏实

（八）瓶颈定位的线索

①谁改的用的什么参数留痕，回滚有路，不靠记忆，迭代有依据。对外也更有底气说话对外也更有底气说话了

②把到底值不值给团队摆清，投入对得起的产出，交付时也硬气。资源不空转省着用办资源不空转省着用办好

③核对节奏写进周例，重要节点提前半月盯，节点不漏，整体更稳少救火。高峰来时接得住也稳高峰来时接得住也稳当

结语：自主算力平台挑对了，技术栈与数据都留在可控范围，长期更稳。需求列清、规模对上，选型不纠结，经验也就沉淀下来，团队少为基建分心，上线不返工更稳，节奏自己握得牢，经验也就留下来，谁接手都能跑顺，投入花得明白清。