一个月烧 900 亿 token 的人，
是怎么用大模型的

访谈方（从提问看，像是在为 DeepSeek 做深度用户调研）只关心三件事：你的 token 花在哪、你怎么评价各家模型、你未来会用谁更多。而嘉宾给出的回答，是一份罕见的、用真金白银换来的模型选型地图。

钱具体花在什么任务上

• 并行 Agent 调度：长期项目不断复刻出大量子 Agent，研究、复核、汇总，消耗最大。
• SEO/流量研究：分析公开页面、搜索流量结构、外链与转化路径。
• 公开数据整理：批量收集、清洗和归档可用于后续研究的数据。
• 知识管理自动化：把会议纪要等信息自动提取、结构化并沉淀到资料库。

「道」回答的是：他相信什么。这六条认知是他的操作系统，后面所有的方法都是它们的应用。

1. 能力优先，价格次之

选模型的排序是 能力 > 价格 > 速度/稳定性。他不用 DeepSeek 做主力开发，不是嫌贵，而是「Codex 怎么样都比 DP 强」。「能力」在他这涵盖速度、稳定性等所有实际体感。

2. 模型是大脑，Harness 是身体和工作环境

评价 DeepSeek 前一天发布的 Harness 时，他给出全场最完整的认知框架：模型负责「谁在干活、怎么决策」；Harness 负责「给它什么环境、工具、权限、运行机制」。他还特意考证了词源：harness 原指马具——「把马的力量组织起来连接到车」；软件工程里也早有 test harness（测试支架）——不是被测的算法本身，而是为运行测试准备的数据和环境。

3. 「万物皆可插件」的价值在平台和企业，不在个人

文件系统、终端这些基础能力，Claude Code 已经打磨得很好，个人开发者没必要为了架构先进去迁移、去重新造轮子。但企业场景完全不同：同一个任务，有人在本机跑、有人在远程 Docker 跑；有人允许读写整个仓库、有人只让读几个目录；还有审计、权限、内部 MCP、私有工具链——对 Agent 来说都是「调用终端」，底层实现千差万别。把这一层做成标准可替换的扩展点、又不用改 Agent 的决策逻辑，才是 Harness 的真正价值。他的结论非常克制：

「普通开发者现在还用不上……但做 Agent 的、做平台的、做企业系统的人，这种架构思路很值得研究。」36:32 – 37:05

4. 榜单是生意，实测才是真相

「榜单其实也是一门生意，他们很多刷榜的。你自己实际开发实际用的时候，其实还是能感觉到的。」53:11

每出一个新模型（GLM 新款、DP V4、Flash 他都测过），他就拿自己历史真实任务做回归测试；跑不过现有组合，就不深入、不迁移。

5. AI 的能力边界由开源生态决定

为什么 AI 写代码强？因为软件开源语料多。为什么 AI 在硬件上帮助很小？因为硬件生态不开源。但在嵌入式软件/固件上帮助很大。

6. 竞争是用户的红利

「国产模型变强，逼着 Codex、Claude Code 一直降价……Luna 降了 93%。鹬蚌相争，我们得利。」56:59 – 01:01:43

「法」回答的是：他怎么组织工作。核心是一套「贵模型思考、便宜模型干活」的多 Agent 流水线。

主工作流：规划 → 并行执行 → 验收合并

成本逻辑：Luna 按 API 计价约为 DP V4 Pro 的 6 倍，但订阅制下「跑一天才消耗百分之几」，反而远便宜——所以子 Agent 全用 Luna Max 是「最便宜的方式」。

访谈中的工作流提示词

「我不懂这个领域 → 先喂给你官方信息 → 你自己思考，用 50 个 Agent 去研究 → 后续全由你自主规划任务、持续开发 → 不需要请示，所有权限开放 → 用 plan 制定完整开发计划 → 每个功能分配子 Agent 并行开发 → 验收合格立即回收对应 Agent。」03:13 – 04:01 · 提示词结构还原

900 亿消耗的根源正在于此：几个长期项目不断复刻出大量 Agent，Agent 的研究、复核、汇总层层放大 token 用量。

新模型评估法

• 不看榜单、不看参数——榜单「是一门生意」。
• 每出新模型，拿自己以前的真实任务跑回归测试。
• 测不过「现有模型搭配」就放弃，保证「能力范围内用最好的」。

「术」是可以直接抄走的细节，包括他踩过的坑。

Flash 类便宜模型：能用，但三个坑

• 定位：批处理、测试修补、低风险子任务、不用人验收的高频执行层。便宜，所以「可以多跑几轮」。
• 坑一·错误扩散：没有 define 边界、没有 schema、没有回滚时，「多跑几轮只会把错误扩散得更快」。
• 坑二·假长上下文：标称 1M 只是容量规格，不代表能从几十万 token 里稳定揪出每个关键约束。
• 坑三·首次通过率低：视觉是缺口；对开发而言首次通过率很重要。

Pro 类大模型：强在规划，坑在过度思考

• 适合：复杂规划、修改前影响分析、疑难 bug 排查计划、数据迁移、权限兼容性设计、长文档、架构问题。中文工程性价比高、判断密度高。
• 坑：过度思考——「为了减少错误，只增加了等待和输出 token，不一定保证质量」。小任务上 Pro 的额外思考没有收益，用 Flash 反而高效。

工具链的暗坑

他实测 DP Flash：第一轮能正常调用 Agent 工具，第二轮因上下文丢失直接报 400，后面的子 Agent 全部断掉——「Agent 的工具链不够完善」。另外视觉搜索、浏览器模式、OCR 这些能力，模型能输出函数调用，但 API 不自带搜索索引。「强模型配上错误的回复，就会表现为不会调用工具」——能力受工具协议和 Harness 适配的制约。

「器」是他对 11 款模型的分工定位与亲测打分。这是全场信息密度最高的部分。

分工定位表

访谈评分（10 分制 · 价格分越高越便宜）

补充：访谈里对 DP 最大的期待是多模态——「有了多模态，它就能跟很多模型在实际开发中碰一碰，不是说那些指标榜单」。

「势」是他对未来 6 个月到 3 年的行业判断——访谈方最关心、他也答得最干脆的部分。

「他（DeepSeek）是以一种取之不尽的生态在这里……我觉得最强的肯定是 DP。」01:02:13

以下均为逐字稿原文（保留口语质感），可直接引用。

「我其实是一直在验证这个 AI 的边界能力是在哪里。」02:07

「最便宜的方式就是：主模型规划好整个 PRD，所有子 Agent 都用 Luna Max——非常丝滑，非常划算。」21:18

「榜单其实也是一门生意，他们很多刷榜的。」53:11

「标称 1M 上下文只是容量规格——能读很多，不代表能稳定找出分散在几十万 token 里的每个关键约束。」30:09 · 评 Flash

「它只是增加了等待和输出 token，不一定保证任务质量。小任务用 Pro 没有收益，用 Flash 更高效。」31:26 · 评过度思考

「AI 写代码强是因为开源语料多；硬件生态不开源，所以 AI 在硬件上帮助非常少。」08:09

「一个强模型配上错误的回复，就会表现为不会调用工具。」55:35 · 评工具链

「鹬蚌相争，我们得利。我是相信 DP 会越来越好的。」57:10

「如果最后大家模型能力都差不多，能决定你用谁的，那就是价格。」01:03:19

• 转写失真：原始材料为语音识别逐字稿，错别字较多。本文已按上下文还原（如 code s → Codex，售/瘦 → Sonnet，底气/DP → DeepSeek，质谱 → 智谱，可乐 → Claude，君子兰 → Gemini，A准 → Agent，honest → Harness）；个别名称（如「露娜/Luna」型号归属）无法完全确认，数字引用前请与录音核对。
• 一家之言：所有模型评价与行业预测均为嘉宾个人体感。这是一份真实的一手用户视角，而非客观结论。