把 SGLang 放进工作流：搭配工具与交接要点
SGLang 是一款开源项目：高性能的大模型推理与服务框架。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：SGLang + Pydantic AI
Pydantic AI 的定位是：Pydantic 团队推出的类型安全智能体框架。两者分工可以是：SGLang 负责「模型对比测试」这一步，Pydantic AI 负责把前后步骤串成自动化流程。
工作流步骤
- 明确交付物和验收标准，例如：测试问题相同。
- 准备输入：两到三个候选开源模型，先去掉敏感信息。
- 在 SGLang 中执行核心步骤（提示词见下文）
- 把结果交给 Pydantic AI 做下一步处理，或从 Pydantic AI 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
模型对比测试
输入：两到三个候选开源模型。
用 20 个真实业务问题测试候选模型，记录回答质量、速度和资源占用，选出最适合的模型。
检查点：测试问题相同。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 成本叠加：两个工具都可能计费，先估算用量。
如果暂时不想引入第二个工具，也可以先用 LMDeploy 等同类产品替代其中一环，跑通流程后再决定。
延伸练习
小规模微调
适用情况：手头有几百条高质量问答数据时。
用这批数据做一次 LoRA 微调：划分训练集和验证集，记录训练参数，微调前后用同一批问题对比效果。
检查点：有前后对比。
团队共享服务
输入：一台团队共用的服务器。
把服务部署为团队共享：设置访问认证、按用户记录调用日志、限制单用户并发，并写一份使用说明。
交付前确认：开启了访问认证。
接入现有应用
适用情况：手头有一个已有的业务系统时。
通过兼容 OpenAI 格式的接口把本地服务接入现有系统，设置超时和并发上限，先在测试环境跑通。
检查点：超时与并发有限制。
常见问题：升级后不兼容
固定版本号，升级前在测试环境验证。
常见问题：服务对外暴露有风险
只监听内网地址，加认证和反向代理。
常见问题：中文效果不理想
优先选择中文训练数据充足的模型。
概念补充：许可证
规定能否商用、是否需署名等条件，部署前必须阅读。
概念补充：GGUF
llama.cpp 生态常用的模型文件格式。
适合人群：咨询顾问
咨询顾问可以用 SGLang 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
适合人群：医疗机构行政人员
医疗机构行政人员可以用 SGLang 处理文书整理、患者沟通材料等工作。需要注意：AI 不得替代医生诊断，患者信息必须按法规保护。
适合人群：软件工程师
软件工程师可以用 SGLang 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。
使用提醒
涉及个人信息、商业机密或受监管数据时，先确认 SGLang 的数据处理条款，再决定能否使用。
本文基于 SGLang 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。