被大模型掩盖的硬通货：XGBoost仍是企业表格AI的默认选项

XGBoost 在 Kaggle 表格赛里常年是冠军级选手，至今仍是金融、零售、制造企业的默认基线（baseline，即所有新模型拿来对比的「参考线」）——大模型喧嚣背后，这款 10 岁算法还在闷声处理最实际的 AI 落地活。我们注意到，对中文知识工作者来说，理解这件事比追最新模型更重要：它告诉你 AI 落地的真实样貌。

这是什么

XGBoost（Extreme Gradient Boosting，极端梯度提升）是一款开源机器学习算法，专门处理表格数据——也就是销售记录、用户行为、财务流水这种行列分明的结构化数据。它的工作原理是：先建一棵决策树做预测，再建一棵补前面的错，如此反复叠加数百次，把误差压到很低。

2014 年由陈天奇开源，至今仍在 GitHub 活跃维护。它的特点是 API 友好（接口设计直观，几行代码就能跑通）、跑得快、效果稳，所以成了行业默认基线。在 Python 里只需几行代码，就能完成分类或回归任务的训练与预测，准确率通常轻松到 0.9 以上。

行业怎么看

数据科学圈基本认同：表格数据上 XGBoost 仍是「打不过」的状态。LightGBM、CatBoost 是它的主要对手，三者常被一起跑 baseline，差距通常只在调参细节。

但值得警惕的反方声音是：XGBoost 这类传统算法只能吃结构化数据，遇上图片、合同文本、客服录音就完全失效。而当下企业最有价值的数据增量（合同、邮件、对话、视频）恰恰是非结构化数据——这意味着只守着 XGBoost，会错过这一波生成式 AI 红利。换句话说，XGBoost 是稳妥的「现在」，但不是「未来」。

对普通人的影响

对企业 IT：内部已有 BI（商业智能）团队的企业，XGBoost 仍是投入产出比最高的入门选项，不必为了 AI 概念强行上 LLM（大语言模型）。

对个人职场：数据分析师、商业分析师的简历里，「XGBoost + SQL」仍是硬通货，比追新框架更值。

对消费市场：你贷款审批被拒、刷到的推荐、看到的促销定价，背后大概率是它在跑——消费者几乎不会直接感知。