模型选择不是工作流本身

每隔一段时间，大家就会重新讨论哪个模型更强。比较参数、速度和价格有价值，但我发现，模型选择很容易变成一种替代行动的研究。换了一个模型，问题并不会自动变清楚；没有上下文、没有目标、没有验收标准，最强的模型也只能更流畅地猜。

真正影响结果的，通常是任务有没有被拆好。我要它写代码，还是帮我理解现有代码？我要一个最终答案，还是几个可以比较的方案？哪些信息可以读取，哪些动作必须先征得同意？把这些问题说清楚之后，模型差异反而没有想象中那么大，至少不会决定整个工作流的质量。

我现在更愿意把模型当成可以替换的执行层。重要的是保留自己的上下文、提示模板、工具接口和评估样例，让模型升级或切换时，工作方式不需要全部重来。这样既能利用新能力，也不会因为一次更新就丢掉已经形成的习惯。

2026 年 8 月 再看这个趋势，我觉得 AI 使用的分水岭不会只是“会不会挑模型”，而是能不能把模糊需求变成可执行任务，再用自己的标准检查结果。模型越来越像基础设施，工作流才是个人真正积累下来的能力。