docs: 确定生产全上云部署决策，更新工作计划与 AGENTS.md

后续工作计划.md

@@ -7,10 +7,25 @@
 **采用混合架构：现有 Go 底座 + Python AI 微服务**
 
 - 平台/业务：沿用 `server-go`（Go/Gin/GORM、PostgreSQL、IoTDB、Valkey/Redis、VerneMQ、Ceph S3、WVP+ZLM 等现有能力）
-- AI 能力：新建独立 Python 服务 `ai-service/`（FastAPI + ONNX Runtime），承载 YOLO 检测、图像/光谱分析，部署于 Tesla P4 GPU 服务器
+- AI 能力：新建独立 Python 服务 `ai-service/`（FastAPI + ONNX Runtime），承载 YOLO 检测、图像/光谱分析
 - 通信：Go 后端 ↔ AI 服务通过 HTTP/gRPC；摄像头流巡检由 AI 服务直接消费 ZLMediaKit 流
 - 端侧：农户端微信小程序沿用现有 Taro miniapp；端侧 ONNX 推理作为后续优化项
 
+**部署决策（2026-08-11 确定）：生产环境全部上云，本地仅用于开发/训练/测试**
+
+- 生产：业务云主机 + GPU 云主机（NVIDIA T4 16G）+ 云对象存储（OSS/COS），同地域同 VPC 内网互通
+- 本地（开发 VM + fnOS/i7-8700T/Tesla P4 物理机）：仅做代码开发、YOLO 模型训练、数据集处理与功能测试；训练产物（`best.onnx` 等）上传云端部署
+
+## 云部署配置（2026-08-11 确定）
+
+| 资源 | 推荐配置 | 用途 |
+|---|---|---|
+| 业务云主机 | 8 vCPU / 32GB / 100GB SSD 系统盘 + 500GB SSD 数据盘，10Mbps 起步（视频多则按量），Debian 12 / Ubuntu 22.04，华南或华东 | Go 后端、PostgreSQL、IoTDB、VerneMQ、Valkey、Docker（WVP/ZLM/MySQL/Redis）、recorder-go、前端 |
+| GPU 云主机 | NVIDIA T4 16G，8 vCPU / 32GB / 100GB SSD，与业务主机同 VPC | `ai-service`（ONNX Runtime 推理），不承担训练 |
+| 云对象存储 | OSS/COS：录像 bucket + 图片 bucket，配置生命周期（录像按保留期转低频/删除） | 替代 Ceph（现有 loop 100GB 容量/性能受限） |
+| 网络与入口 | 域名 + HTTPS 证书（小程序合法域名需 ICP 备案）、负载均衡（可选）、CDN（模型/静态资源分发） | 对外访问与端侧模型更新 |
+| 数据库 | 优先云 RDS（高可用+自动备份）；成本敏感则业务主机自装 + 每日备份 + 云盘快照 | PostgreSQL 业务数据 |
+
 ## 一、前置准备（P0）
 
 - [ ] 1. 修复数据集：按原始图重新划分 train/valid/test（消除 Roboflow 增强副本导致的跨集泄漏）；修正 `data.yaml`（`heathly` → `healthy`、绝对路径）；删除空标签
@@ -67,4 +82,5 @@
 
 - [ ] 时序数据库：IoTDB（现状）还是 TDengine（规格书）
 - [ ] 数据集病种扩展：由二分类（healthy/sick）扩展为 7 类病种标注（影响 AI 巡检与溯源联动）
-- [ ] AI 服务部署形态：Docker（nvidia-container-toolkit）还是 systemd 裸进程
+- [x] AI 服务部署形态：已定——云 GPU 主机（T4 16G），容器化部署
+- [x] 对象存储：已定——云 OSS/COS，替代 Ceph