> ## Documentation Index
> Fetch the complete documentation index at: https://docs.dgrid.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Dori 尋找模型

> Dori 是 DGrid 推出的自然語言 AI 助理，可跨供應商、價格、上下文視窗大小、推論速度與基準測試資料協助使用者發現、比較並評估各類大型語言模型 LLM 的能力、成本與整體表現，加速團隊的模型選型決策與效益分析流程，並提供典型用法、應用情境與快速上手範例對話。

<strong>Dori 尋找模型</strong>是 DGrid 以自然語言驅動的助理，用於探索與評估大型語言模型（LLM）。透過 Dori，您可以用平白的語言表達您的需求，使用您自己的工作負載測試入選的模型，並獲得結構化報告，協助您做出有信心、有資料支持的模型選擇。

## 在 DGrid 平台中的角色

Dori 是 DGrid 生態系統中緊密整合的兩項能力之一：

* **Dori 尋找模型**——協助您：
  * 將業務或產品需求轉化為具體的候選模型
  * 透過引導式對話流程探索、測試與比較模型
* **AI Gateway**——提供：
  * 涵蓋 200 多個可直接用於正式環境的 LLM 的單一抽象層與 API
  * 基於設定的模型選擇與切換，無需修改程式碼

兩者結合，實現端到端的 LLM 工作流程：

<Tip>
  **傳統方式：** 搜尋供應商 → 建立多個帳戶 → 手動測試 → 逐一整合各供應商

  **使用 DGrid（搭配 LLM Marketplace 的 Dori + AI Gateway）：** 描述需求 → 在同一個地方探索與測試 → 一次整合 → 透過設定切換模型
</Tip>

## 核心能力

### 1. 自然語言需求輸入

Dori 從您以自由文字形式描述的真實需求開始。例如：

* 「我們需要一個低延遲、成本效益高的模型，用於多語言客戶支援（英語、西班牙語、葡萄牙語），並整合進我們現有的聊天機器人。」
* 「我們正在建構一個專注於 Python 與 TypeScript 的程式碼助理；強大的推理能力與大型上下文理解非常重要。」
* 「我們希望有一個針對長文件 RAG 優化的模型，並在 10k+ token 的上下文中保持穩定的表現。」

您<strong>不需要</strong>知道確切的模型名稱、供應商或基準測試縮寫。Dori 會解讀您的描述，並將其轉化為技術選型標準。

### 2. 在 LLM Marketplace 中進行智慧搜尋

一旦掌握您的需求後，Dori 會在 **DGrid LLM Marketplace** 中進行搜尋，該市場將 200 多個 LLM 整合於單一介面之下。

Dori 會：

* 依以下條件篩選候選模型：
  * **任務適配性**（例如聊天、程式碼、RAG、多語言支援）
  * **上下文窗口**（短上下文或長上下文，例如 10k+ token）
  * **延遲與成本特性**
  * 其他相關的運營特性
* 依您的優先順序對模型進行排序：
  * 吞吐量與延遲敏感度
  * 品質與成本之間的取捨
  * 特定能力需求（例如程式碼、推理、多語言能力）
* 回傳一份<strong>精簡且相關的推薦模型清單</strong>，讓您無需手動檢視數十個供應商頁面與基準測試表格。

### 3. 統一的真實工作負載測試

當 Dori 提出候選清單後，它會協助您在 DGrid 中的<strong>單一環境</strong>內測試這些模型：

* 直接在平台上對候選模型執行<strong>試驗</strong>
* 使用<strong>您自己的提示詞、文件與情境</strong>，而非通用範例
* 在<strong>共享、一致的設定</strong>下評估模型，使比較結果更具意義

這消除了以下常見問題：

* 各供應商分散的試驗環境
* 為每個 API 編寫的臨時腳本
* 散落在各工具中的截圖、筆記與表格

### 4. 結構化、可分享的評估結果

Dori 產生清晰、結構化的輸出，方便您與團隊分享與討論，例如：

* 每個候選模型的<strong>範例輸出</strong>
* 關於行為與適用性的<strong>質性說明</strong>
* 測試期間觀測到的<strong>延遲與效能指標</strong>
* 依您預期的流量模式與負載估算的<strong>成本</strong>

團隊在選擇「最適合我們使用情境的模型」時，可以依賴可追溯的評估記錄，而不是「憑直覺」或片段資訊。

### 5. 與 AI Gateway 緊密整合

Dori 與 AI Gateway 直接耦合，因此您所探索與測試的一切，皆可立即透過以下方式整合進正式環境：

* **一個 API 金鑰**
* **一個統一端點**
* **單一、一致的 API 介面**

主要影響：

* 您不需要為每個供應商分別處理身分驗證、SDK 或端點
* 您透過 Dori 驗證過的模型，可以<strong>無需新增供應商整合</strong>即直接使用
* 之後更換模型只需<strong>修改設定</strong>，而不是重新開發專案

## 典型使用情境

### 多語言客戶支援

* 需求：為多語言聊天機器人（例如英語、西班牙語、葡萄牙語）找到低延遲、成本效益高的 LLM
* Dori 如何協助：
  * 解讀多語言與延遲方面的需求
  * 找出適合這些語言對話支援的模型
  * 讓您使用真實的客戶查詢與對話流程進行測試

### 程式碼助理與開發者工具

* 需求：用於 Python 與 TypeScript 等語言的程式碼生成、解釋與重構的模型
* Dori 如何協助：
  * 標示出具備強大推理與程式碼能力的模型
  * 強調對大型程式碼庫的長上下文支援
  * 協助使用真實的程式碼庫、程式碼片段或任務進行試驗

### 長上下文 RAG 與文件應用

* 需求：在 10k+ token 上下文中，為長文件檢索增強生成（RAG）提供穩定表現
* Dori 如何協助：
  * 依上下文長度與 RAG 適用性篩選模型
  * 允許使用您實際的文件與檢索設定進行評估
  * 產生報告，記錄在大型上下文下的品質與效能表現

## 不同使用者類型的優勢

### 個人開發者與創業團隊

* 將精力集中於產品與使用者體驗，而非：
  * 追逐各供應商的文件
  * 串接多個 API 與 SDK
* 快速迭代：
  * 透過 Dori 嘗試多個模型
  * 透過 Marketplace 確定使用一個（或多個）模型
  * 待有更新更好的模型出現時再進行替換

### 企業與大型平台

* 在各業務單位之間，透過以下方式統一 LLM 存取：
  * 與 LLM Marketplace 的單一整合
  * 透過 Dori 進行共享的評估流程
* 降低長期維護成本：
  * 避免為每個供應商建立客製化整合
  * 在生態系統演進時，保有採用新模型的靈活性

### Web3 與鏈上專案

* 建構由 AI 驅動的 Agent、dApp 與協議，其模型骨幹可以：
  * 隨時間升級
  * 跨多個供應商實現多元化
* 在以下情況下，維持鏈上與鏈下整合邏輯的穩定：
  * 透過設定變更或擴增底層 LLM
  * 避免每次採用新模型時都產生破壞性變更