> For the complete documentation index, see [llms.txt](https://shike.gitbook.io/ai-coding/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://shike.gitbook.io/ai-coding/01-chapter.md).

# 第1章 牌桌重排：从选模型到选工作方式

**本章导读**：2026 年的 AI 编程产品市场,海外两家(Anthropic、OpenAI)与国产三家(智谱、Kimi、MiniMax)已形成"模型 + 软件 + 套餐"三层绑定的销售结构,DeepSeek 作为低成本后端被嵌入各家工具。本章不罗列参数,目的是为读者建立一套分析格局的方法——理解各家差异的本质、识别选型中的常见陷阱、形成"在什么场景选哪家"的判断框架。本章所有价格、版本、跑分数据均截至 2026 年 7 月 31 日,工具生态以 4 至 8 周为周期迭代,数据本身会过时,分析框架不会。

**本章关键词**:垂直闭环、模型档位、套餐机制、上下文窗口、跑分口径

## 1.1 选型的真实单位:工作方式而非模型

2026 年 AI 编程市场的竞争单位已发生根本性变化。三年前,选 AI 编程方案比的是模型跑分、API 单价、工具自由搭配;2026 年,五家主流厂商均将"模型 + 软件 + 套餐"三层打包销售,并通过指定软件名单、自研核心模块、接口格式差异等方式互相设置门槛\[^1^]\[^7^]。

本书将这一结构称为**垂直闭环**:模型、软件、套餐三层绑定,买其中任何一层,另外两层即被锁定——好比装修全包合同,设计、施工、材料由同一家公司整体交付。这个格局直接改变了选型的含义:读者选择的不是"跑分最高的模型",而是此后每天的工作方式——在哪个软件里与 AI 对话、额度按什么规则扣减、团队能否共享。选错的代价不只是多花钱,而是整套工作流程推倒重来。

![AI 编程生态四象限](https://687631483-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F7WxdJpMDAGmV1omWsIzP%2Fuploads%2Fgit-blob-6de7ebdb3c57291c8ffbf5fd3b74757a20196cb4%2Fai_coding_book_sec01_fig01.svg?alt=media)

### 1.1.1 一次停服事件及其方法论遗产

垂直闭环格局的形成,部分源于 2026 年 6 月的一次行业事件。Anthropic 公司于 6 月 12 日发布公告,因美国政府要求,暂停其 Claude Fable 5 与 Mythos 5 两个模型在全球范围的访问。这两个模型 6 月 9 日才发布,上线三天即被叫停,直至 7 月 1 日加装新的安全过滤模块后才恢复服务\[^3^]。停服原因是这一代模型具备自主发现并利用零日漏洞(指软件中厂商尚未知晓的安全缺陷)的能力,这是商用大模型首次因网络安全能力被官方要求暂停对外服务。

该事件落在产品团队头上,衍生出一条新的采购原则:**关键能力不能押在单一供应商身上**。具体而言,如果产品当时将 Fable 5 作为核心能力依赖,产品将无预警停转三周,无赔偿、亦无替代品——Mythos 级能力在彼时仅此一家。模型采购由此首次进入"供应链风险管理"范畴,性质与制造业担心芯片断供相同。

事件的后续同样值得关注。Fable 5 停服次日,智谱宣布 GLM-5.2 向其编程套餐全部用户开放,三天后模型文件公开下载;产品社区的讨论话题在数日内从"Fable 5 何时恢复"切换为"如何将 GLM-5.2 接入现有 Claude Code 流程"。停服第三天,用户已经开始搬家。

由此得出本章第一条判断:将产品的关键能力绑定在单一海外模型上存在实质商业风险,必须预先准备降级方案——模型能否替换、配套软件能否平移、成本是否可控。这些问题应在平时就有答案,不能在停服当天才开始考虑。

### 1.1.2 从"模型竞争"到"闭环竞争"

Fable 5 事件只是表象,背后是 2026 年行业竞争逻辑的变化。两三年前,选 AI 编程方案比的是单一模型;2026 年,比的是整套工作方式。Anthropic 卖的是"Claude 模型 + Claude Code 软件 + Max 订阅"的整体方案;智谱、Kimi、MiniMax 也各自把这三层捆绑销售,差异在于绑定的强度——智谱的接口兼容 20 多种工具,迁移成本最低;Kimi 的客户端适配数量最少、指定软件名单管控最严,迁移成本最高。

这一格局对读者的实际意义是:先挑顺手的软件,模型以后随时能换。模型是闭环中技术更新最快的部分,也是最容易替换的部分;软件则是闭环的真正壁垒——一旦习惯某家软件,即被该家的套餐锁定。

在逐一拆解之前,先确立四根比较轴:**模型**(型号与定价)、**软件**(配套工具的能力与生态)、**套餐**(额度规则与门槛)、**开放度**(兼容多少其他工具)。跑分被有意排除在四轴之外,1.6 节详述其方法论缺陷。

此外,本节交代四个全书通用的术语,后文不再重复解释。

**Agent(智能体)**:能自己动手干活的 AI。普通对话式 AI 是"你问一句它答一句";Agent 是"你交代一件事,它自己拆成几步,打开文件、修改内容、检查结果、没做好接着改",循环直到完成。一个能自己操作电脑的远程员工,而不是一个客服。

**Token(模型计量单位)**:AI 读写文字的计量单位,也是按量计费时的收费单位。粗略换算:1 个汉字约 1—2 个 Token,1 个英文单词约 1 个 Token。报价中的 "$5/$25"指每百万 Token 的输入价/输出价——读者喂给 AI 一百万 Token 收 5 美元,AI 吐出一百万 Token 收 25 美元。

**API 与订阅是两条独立的计费线路**:API 是"软件之间互相调用的接口",按 Token 用量计费,适合产品上线后服务用户;订阅是包月制,给一个定额的使用池,适合个人天天使用。同一厂商同一模型,两条线的价格和容量经常不一致——这是最常见的认知误区。

**Coding Plan(编程套餐)**:2026 年国内厂商推出的订阅形态,专门为"让 AI 干活"场景重新设计:月费几十到几百元,给一个对接配套软件的额度池。它是国内用户的主流入口,1.7 节横评。

## 1.2 海外两家:Anthropic 与 OpenAI

国内个人使用海外工具有支付与网络两道现实门槛,因此本节从简,每家只给模型梯队、价格与软件形态,以及该厂家产品对国内读者最值得借鉴的设计。

### 1.2.1 Anthropic:四档模型与 Claude Code

截至 2026 年 7 月底,在售模型共四档:Haiku 4.5($1/$5)面向高频轻量任务;Sonnet 5($3/$15)为走量中坚;Opus 5($5/$25)为旗舰,也是 Claude Code 的默认模型;Fable 5($10/$50)比 Opus 更高一档,即 1.1 节所述被暂停的型号\[^1^]。

两组数字有助于校准整体判断。能力方面:SWE-bench Verified(业界公认的编程考题库)成绩从 Claude 3.5 Sonnet 的 33.4%(2024 年 6 月)升至 Opus 5 的 96%,历时仅两年。价格方面:旗舰档定价从 3 代的 $15/$75 降至 $5/$25,三年下降三分之二;Fable 5 又将价格上探至 $10/$50。能力倍增、旗舰降价、前沿加价,这三件事同时发生,构成当前市场的基本面。对读者的含义是:旗舰档并非奢侈消费,预算有限时用 Sonnet 档承担主力即可。

软件侧的核心产品是 Claude Code:一个常驻命令行界面的 Agent 软件。命令行界面可以理解为"电脑里那个能直接打字的窗口",而非带图标的应用程序。Claude Code 是全行业的功能风向标——与 Codex 共有的 24 项相似功能中,18 项由它率先实现\[^1^]。其中四项设计对国内读者特别值得借鉴:一是 MCP 协议(给 AI 接外部工具的通用接口),二是子代理(AI 把独立的小活儿外包给"临时工"并行处理),三是 Hooks(给 AI 立的自动规矩),四是 Skills(把工作方法写成说明书文件,AI 遇到相关任务时自动调出照做)。

订阅分三档:Pro $20/月(含 Claude Code),Max $100 与 $200/月,用量分别为 Pro 的 5 倍与 20 倍\[^2^]。最值得借鉴的是额度扣减机制:5 小时滚动窗口与每周上限并行计算,任一先耗尽即停止服务——买的不是"无限使用",而是两个额度池中先见底的那一个。这套设计后来被国内厂商几乎原样采用(详见 1.7 节)。

另一个常被忽视的事实:**订阅用户统一只有 200K 上下文窗口**\[^2^]。上下文窗口指 AI 一次能同时看进脑子的材料总量(详见 1.5 节)。即使接口名义上支持 1M,订阅线路默认只给 200K,超出部分会被自动压缩成摘要,细节随之丢失。

### 1.2.2 OpenAI:三档模型与 Codex

GPT-5.6 系列分三档:Sol($5/$30)对标 Opus,Terra($2.50/$15)对标 Sonnet,Luna($1/$6)对标 Haiku\[^114^]。Codex 是其配套 Agent,提供命令行、编辑器插件、网页版、桌面应用四种用法,这一覆盖广度是 Anthropic 所没有的。

Codex 的一个关键设计值得留意:它给 AI 划定了"文件围栏"——只能在指定目录内操作,不能越界读用户的私人文件。这一设计在产品团队视角下意味着"默认更安全",在个人使用视角下意味着"少一些灵活性"。

订阅方面,Codex 包含于全部 ChatGPT 套餐(含免费档),与 Anthropic 不同;但同样采用 5h+周双层额度机制\[^7^]。

## 1.3 国产三家:智谱、Kimi 与 MiniMax

国产三家的共同特征是模型全部开源(可以免费下载模型文件)、人民币计价、入门档统一为 ¥49。但同质化仅止于此——三家在产品定位、套餐机制、生态开放度上差异显著,选型的核心问题不是"哪家跑分更高",而是"哪家的工作方式更契合具体项目"。

![五家垂直闭环结构对比](https://687631483-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F7WxdJpMDAGmV1omWsIzP%2Fuploads%2Fgit-blob-e1e7859cfc5491d90d88e0eac7e82ab1326f77c0%2Fai_coding_book_sec01_fig03.svg?alt=media)

### 1.3.1 智谱:迁移成本最低的兼容派

GLM-5.2 是当前主力,模型文件公开下载,API 输出价约为 Opus 5 的五分之一\[^10^]。智谱不构建软件闭环——其 Z Code 软件改用自家核心模块后,Claude Code 仅需修改两行配置即可接入;反过来,Z Code 也支持接入 Claude 与 Kimi 模型。这一双向兼容特性,使智谱成为"先用别家、想换国产"路径上摩擦最小的选择。

智谱 Coding Plan 累计付费用户 24.2 万,是国内规模最大的编程套餐产品\[^10^]。其额度机制采用积分制(类似游戏里的"点券",按使用量扣除),高峰时段抵扣倍率更高——口径经过多次调整,购买前应核对官方现行帮助页\[^110^]。

风险点集中在两点:其一,高峰限速——社区反馈集中在晚间高峰时段响应变慢;其二,生态绑定温和但存在——智谱自家核心模块对其余厂商的兼容性有提升空间。

### 1.3.2 Kimi:长任务的成本最优解

Kimi 的定位可以一句话概括:**重度长任务的成本最优解**。K3 于 7 月 16 日深夜发布,2.8T 总参数、1M 上下文,为当前参数规模最大的开源模型\[^112^]。发布 48 小时后即暂停个人新订阅,至 7 月底四档会员全部显示"售罄"\[^113^]——订阅制产品售罄在该行业尚属首次,反映需求侧对长任务场景的强烈偏好。

Kimi 的真正差异化在计费机制:**唯一按 Token 计量、且缓存命中不计额度**的 Coding Plan。缓存命中指 AI 重复读取同一份材料时,平台按已存留的"复印件"结算而非按原件——长任务中 AI 会反复读取同一批代码与文档,实测命中率可达 90%,这部分在 Kimi 套餐中免费。这一机制对动辄数小时的重度任务是成本优势的全部来源。

风险点:档位门控细碎(¥49 档不可用 K3,¥99 档 K3 限 256K 上下文),客户端适配数量在三家中最少,指定软件名单管控最严——使用名单外软件有封号风险。购买前应逐项核对权益表,并先确认所用软件是否在白名单内。

### 1.3.3 MiniMax:跑量任务的默认后端

M3 于 6 月 1 日发布,约 428B 总参/23B 激活,1M 上下文(官方保底 512K 可用),原生支持文字、图片、语音等多模态输入\[^13^]\[^14^]。Token Plan 分 ¥49/119/469 三档,官方宣传"同价用量约为 Claude 订阅的 15 倍"——这是厂商自报换算,非第三方实测;但入门价最低则没有争议\[^15^]。

差异化体现在软件层:Agent Team 功能支持多个 AI 分工协作(分别承担编写、审查、测试),并可接入微信、飞书、Telegram,在聊天软件里直接指挥 AI——需要在群聊发起任务的场景,目前仅此一家提供现成方案。跑量型任务将其设为默认后端,成本最低。

风险点:顶级复杂任务的完成度与 Claude 旗舰仍存在可查的差距,因此它适合作为"默认模型"而非"攻坚模型";社区反馈集中在高峰限速、长任务中输出 Token 消耗过快,部分长回答会被截断。

### 1.3.4 五家闭环总览

图 1-1 将五家的三层打包结构并列呈现:每家均为"模型 + 软件 + 套餐"捆绑销售,差异在于国产三家(深色)模型全部开放下载、人民币计价、入门档统一为 ¥49;海外两家闭源、美元计价、入门档即 $20。需要重点关注的是软件层——闭环的实际壁垒在软件而非模型:一旦习惯某家软件,即被该家的套餐锁定,而模型是三层中最容易替换的部分。

**表 1-1　五大编程闭环对比主表(数据截至 2026-07-31)**

| 厂商        | 模型档(旗舰价)                                        | 软件形态                                    | 套餐机制                                                 | 生态开放度                     |
| --------- | ----------------------------------------------- | --------------------------------------- | ---------------------------------------------------- | ------------------------- |
| Anthropic | Haiku/Sonnet/Opus/Fable 四档,Opus 5 $5/$25 \[^1^] | Claude Code,周更,hooks/skills/子代理最全       | Pro $20 / Max $100/$200,5h+周双层额度,订阅统一 200K 窗口 \[^2^] | 闭源;接口开放,软件专有              |
| OpenAI    | GPT-5.6 Sol/Terra/Luna 三档,Sol $5/$30 \[^114^]   | Codex(命令行/编辑器/网页/桌面四种用法)                | 含于全部 ChatGPT 套餐(含免费档),5h+周双层                         | Codex 开源(Apache-2.0),模型闭源 |
| 智谱        | GLM-5.2,模型文件公开,输出价约为 Opus 的 1/5.7 \[^10^]       | Z Code 3.0 改用自家核心模块;Claude Code 改两行设置接入 | Coding Plan ¥49/149/469,24.2 万付费用户 \[^10^]           | 双格式接口,兼容 20+ 工具           |
| Kimi      | K3(2.8T,1M,开源);编程默认 K2.7 Code \[^12^]           | Kimi Code(Apache-2.0 开源)                | 会员 ¥49/99/199/699;唯一 Token 计量+缓存命中不计额度 \[^22^]       | 客户端适配最少,软件名单管控严格          |
| MiniMax   | M3(428B/23B,1M 保底 512K,开源) \[^13^]\[^14^]       | MiniMax Code,Agent Team 多智能体+聊天软件接入     | Token Plan ¥49/119/469,全模态额度池 \[^15^]                | 兼容主流工具,无需单独申请接口密钥         |

表 1-1 的使用方法:建议先忽略跑分——五家旗舰的跑分差距大多处于用户难以感知的区间,真正影响日常使用的是右侧三列。天天用 AI 干活的人应关注"套餐机制"列的双层额度规则,那是每周都会触及的限制;已有顺手软件的人应关注"生态开放度"列——智谱一行意味着零迁移成本,Kimi 一行则意味着可能需要更换软件。表中的两个"唯一"值值得记录:Kimi 是唯一按 Token 计量而非按次数计量的厂商,MiniMax 是唯一把图片、语音额度并入同一订阅的厂商——这两项"唯一"即各自的护城河,也对应两种产品需求:长任务省钱选前者,做图做语音选后者。

### 1.3.5.1 本章思考题

1. 你的团队当前用的 AI 编程工具是哪一家?对照 1.3 的五家对比表,你能说出"我们选了 A 而不是 B 的三个具体理由"吗?如果说不清,说明选型决策缺乏可被复核的依据。
2. 如果你所在的产品把核心能力押在单一海外模型上,对照 1.1.1 的 Fable 5 停服事件,你准备好的"降级方案"是什么?迁移成本评估过吗?
3. 1.5 节说"有效上下文约为标称值的 25%—30%"。你当前用的 AI 工具标称上下文是多少?按 25%—30% 折算后,你的实际可用窗口是多少?这个数字有没有写进你项目的"上下文预算"文档?
4. 1.7 节给了"三问选型清单"。用这个清单给你的下一个项目做一次选型,推荐方案是什么?备选方案是什么?什么情况下会失效?
5. 你的 Coding Plan 是订阅制还是 API 按量?按 1.2.2 的双层额度机制,你的"5h 滚动窗口"和"周上限"哪个先耗尽的历史数据是什么?这个数据决定了下个月是否需要换套餐。

### 1.3.5.2 本章延伸阅读

1. **\[数据报告] Anthropic 官方定价页** — Pro $20 / Max $100/$200、5h+周双层额度的官方一手出处 | 第 1 章
2. **\[数据报告] DataLearner GPT-5.4 模型资料页** — GPT-5.4 定价 $2.50/$15、1.05M 上下文的详细参数 | 第 1 章
3. **\[文章] Vals AI SWE-bench Verified 榜单(2026-07-22)** — 第三方复测:Opus 5 97%、Sol 96.2%,与厂商自报的口径差 | 第 1 章
4. **\[文章] 掘金《5 大国内 Coding Plan 全量横评》** — 火山方舟、智谱、Kimi 等横评选型轴:协议兼容性→额度机制→隐藏坑 | 第 1 章
5. **\[工具文档] OpenAI 官方 API 定价页** — GPT-5.6 三档 Sol/Terra/Luna 的 GA 当日核验价格 | 第 1 章

## 完整提示词:三问选型清单的执行版

本节给出的提示词,是 1.7 节"三问选型清单"的执行化版本。读者面对任一具体项目的工具选型时,可直接复制使用,AI 会按"任务画像—使用画像—约束画像"三步引导用户回答,并基于回答给出明确推荐。

```
你是 AI 编程工具的选型顾问。你的任务不是替用户做选型决定,而是通过结构化提问,让用户把自己的需求讲清楚,然后基于用户的回答给出推荐。推荐必须明确,不允许"看情况"。

[角色]
- 你的工作分三步:第一步,引导用户描述需求(任务画像、使用画像、约束画像);第二步,基于描述匹配 1—2 个候选方案;第三步,说明每个候选的"在什么情况下会失效"。

[第一步:引导用户描述需求]

请按以下顺序,逐项向用户提问,每项只问一个,等用户回答后再问下一项。

[任务画像]
1. 你要做的事,在 1.5 节的"上下文窗口"中属于哪一类?
   A. 短任务(单次对话 < 50K Token,例如改 bug、写脚本、读懂一段代码)
   B. 中等任务(单次对话 50K—200K,例如完整模块开发、文档批量处理)
   C. 长任务(单次对话 > 200K,例如整套系统重写、大规模代码重构)
2. 任务对"输出质量底线"的要求如何?
   A. 高(出错代价大,例如支付、生成对外内容、生产数据写入)
   B. 中(出错可被快速发现并修正,例如内部工具、一次性脚本)
   C. 低(出错代价小,例如批量改写文案、整理表格、生成测试数据)
3. 任务是否需要"调用外部工具"(浏览器、数据库、文件操作、消息推送)?
   A. 需要,且必须用 MCP 协议
   B. 需要,但不挑协议
   C. 不需要

[使用画像]
4. 你打算怎么用 AI?
   A. 每天 4 小时以上(需要订阅制,按月计费更划算)
   B. 每天 1—4 小时(订阅或 API 都行)
   C. 每周 < 5 小时(API 按量计费更划算)
5. 你目前是否已习惯某家软件?
   A. 已习惯 Claude Code(可接受的迁移成本:低)
   B. 已习惯 Cursor / Codex(可接受的迁移成本:低)
   C. 没有习惯,可接受任何软件(迁移成本:零)
6. 你的团队是否需要多人共享额度?
   A. 需要 5 人以上共享(必须订阅制,且支持团队套餐)
   B. 仅个人使用(订阅或 API 都行)

[约束画像]
7. 预算上限?
   A. 月预算 < 100 元(国产 Coding Plan)
   B. 月预算 100—500 元(国产高阶或海外基础订阅)
   C. 月预算 > 500 元(海外高阶或按量 API)
8. 网络与支付条件?
   A. 无障碍访问海外,可美元支付(可考虑海外两家)
   B. 有障碍(只能选国产三家)
9. 对"数据出境"是否有顾虑?
   A. 任何业务数据不得出境(必须选国产,模型推理在国内)
   B. 无所谓
10. 是否愿意接受"多 AI 分工"(即让一个 AI 协调多个 AI 干活)?
    A. 愿意(可考虑 MiniMax Agent Team)
    B. 不愿意,只想要"一个 AI 干完所有事"

[第二步:匹配候选]

基于用户回答,按以下规则匹配 1—2 个候选:
- 任务画像全 A + 使用画像 A 6A → Anthropic Claude(具体档位根据预算)
- 任务画像含 C + 使用画像含 B 5B → Kimi(长任务成本最优)
- 任务画像含 B + 约束画像 8B + 预算 7A → 智谱(迁移成本最低)
- 使用画像 10A → MiniMax(唯一原生支持多 AI 分工)
- 任务画像全 C + 预算 7C → OpenAI Codex(顶级模型)
- 约束画像 8B + 任务画像含 C → DeepSeek(成本最低,作为底层后端)
- 任何含 3A → 优先考虑支持 MCP 完善的厂商(Anthropic > OpenAI > 国产)
- 任何含 9A → 排除海外两家

[第三步:失效条件说明]

对每个候选,明确告诉用户:
1. 该方案在什么情况下会失效(例如"任务经常超过 1M Token 时,Claude 订阅线路的 200K 默认窗口会成为瓶颈")
2. 备选方案是什么(例如"如遇 Anthropic 停服,可临时切到智谱,迁移成本约 2 小时配置修改")
3. 升级/降级的触发条件(例如"当月支出超过 X 元时,应切换到 Y 方案")

[输出格式]
- 第一部分:"你的需求画像"(用 10 行总结用户回答)
- 第二部分:"推荐方案 + 备选方案"(明确给出 1 个主推、1 个备选)
- 第三部分:"失效条件 + 切换路径"(200 字内)
- 末尾:"下一步建议"——告诉用户现在该做的 1—2 件事(例如"先注册 X 套餐的试用档,用 3 天真实任务验证")

[边界]
- 你不替用户做最终决定,推荐后等用户确认。
- 你不预测未来价格或版本变化;所有判断基于 1.x 节截至 2026-07-31 的数据。
- 你不使用"完美"、"最佳"等绝对化措辞;任何推荐都附带适用条件。
```

## 1.4 DeepSeek:非闭环的通用后端

DeepSeek 单独成节,因其角色明确:不构建闭环,而是作为**被集成进各家工具的低成本后端**——读者付费购买的某个软件套餐,底层替你干活的可能就是它。它把"用 AI"的成本压到了一个可以写进商业模式里的水平。

官方接口同时兼容 Anthropic 与 OpenAI 两种通信格式,市面上几乎所有相关软件均可接入。在海外最大的模型聚合平台 OpenRouter(可理解为"批发调用各家模型的超市")上,其 Token 用量份额接近 20%,居所有模型之首\[^16^]。价格处于行业最低区间:7 月 31 日开始公测的 V4-Flash 正式版,定价 $0.14/$0.28 每百万 Token——同样一百万 Token,Opus 5 的输出价约为其 90 倍\[^17^]。

低价有工程基础:V4 更换了内部结构,1M 上下文下单 Token 的计算开销仅为上代的 27%(Flash 版为 10%),暂存上下文的内存压缩至 10%\[^16^]——结构先把成本压低,价格才有降到底的空间。版本现状:V4 预览版于 4 月 24 日发布(V4-Pro 1.6T 总参、V4-Flash 284B,均 1M 上下文、模型文件公开),旧接口名称 7 月 24 日已退役;V4-Pro 正式版截至发稿尚未发布。

**实战定位:成本路由的底层**。任何产品中均存在大量简单、批量、容错性高的任务——批量改写文案、整理表格、生成重复性内容。将这类任务交给 DeepSeek,成本直接降至十分之一;复杂且需要兜底的任务留给旗舰模型。这种"按任务难度分流"的做法称为**成本路由**,逻辑与人事安排类似:简单活给实习生,关键活给骨干。判断标准只有一条:该任务出错的后果是否可承受——可承受则交给低价模型,反之留给旗舰。

能力边界方面,官方技术报告写明:发展轨迹"大约落后最前沿闭源模型 3 到 6 个月",内部评测"接近 Opus 4.6 非思考模式,但与思考模式有差距"\[^16^]。需要注意,其对标的 Opus 4.6 已不是当前旗舰——旗舰已更新至 Opus 5 与 GPT-5.6。幻觉控制是已知弱项——幻觉指 AI 一本正经地编造不存在的内容。把它放在底层跑量没有问题,批量任务出错代价低;但在产出必须配套验收手段的产品中,使用它意味着验收层需要设计得更厚。

## 1.5 上下文窗口:标称值、有效值与计费值

**上下文窗口**指 AI 一次能同时"看见"的材料总量——用户写的要求、AI 读的文件、之前的聊天记录、AI 正在生成的回复,全部占地方,单位是 Token。可以将其类比为办公桌桌面:桌面越大,能同时摊开的资料越多。它是厂商宣传中调门最高、水分也最大的指标,同时决定两件事:AI 一次能看懂用户多少资料,以及账单按哪档费率结算。

![上下文窗口:标称值/有效值/计费触发点对比](https://687631483-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F7WxdJpMDAGmV1omWsIzP%2Fuploads%2Fgit-blob-27cff1db974626c6943d9df7bece69e33a8e47dc%2Fai_coding_book_sec01_fig02.svg?alt=media)

### 1.5.1 三道折扣

查阅各家接口文档,旗舰模型确已全面进入百万 Token 时代:Claude 1M、GPT-5.6 一百零五万、GLM-5.2 提供 1M 变体、Kimi K3 与 MiniMax M3 均标称 1M\[^104^]。但实际使用要经过三道折扣。

**第一道,软件层先截断**。Codex 客户端仅提供约 400K(272K 输入预算 + 128K 输出上限),GitHub 上有个数千人关注的请愿帖要求开放 1M\[^105^];Cursor 标称 200K,为保障速度主动截断,实测有效窗口仅 70K—120K\[^106^];Claude Code 订阅默认 200K,1M 需特定档位。读者以为在使用 1M,客户端实际给的远少于此。

**第二道,模型本身会遗忘**。这并非厂商限制,而是客观规律:多项实测指向同一数字——**约 150K Token 真正相关的内容之后,各家模型的表现均开始退化**,前面的要求被淡忘、细节张冠李戴。更典型的一组数据来自第三方测试:GPT-5.4 在 256K 长度下得分为 79.3%,拉长至 1M 后降至 36.6%——窗口扩大四倍,能力下降过半\[^84^]。标称值的含义是"装得进去",而非"记得住",Anthropic 官方文档亦明确表述了这一点。

**第三道,计费规则又加一码**。GPT-5.6 单次请求输入超过 272K 时,整个请求按输入 2 倍、输出 1.5 倍计费\[^5^];Claude 订阅超过 200K 触发自动压缩;MiniMax M3 超过 512K 价格翻倍。读者以为在使用 1M,账单却按更高的费率结算。

图 1-2 将三道折扣绘制在同一坐标系中,"1M 宣传"的水分清晰可见。Codex 的浅色柱标至 1050K,深色柱仅 400K,中间 272K 处的倒三角是计费跳变点——尚未达到软件上限,账单已先翻倍;Cursor 更为明显,标称 200K 的浅柱之下,实测有效窗口只剩 70K—120K 的一小段。左侧 150K 虚线是客观规律的上限:真正相关的内容超过它之后,无论标称值多大,各家模型都开始遗忘。该图的阅读顺序是从右往左:广告给出的数字最大,实际可用的是最短的柱,付费区间由倒三角的位置决定。

### 1.5.2 三个数值的实际含义

将上述内容归纳为一个拆解框架,此后面对任何厂商的窗口宣传均可套用:**标称值是广告,有效值是体验,计费值是账单**\[^2^]。

广告中的 1M 用于市场竞争;日常可稳定利用的部分应按 150K 上下编制预算——这也是本书后续投入大量篇幅讨论上下文管理的原因:把真正相关的材料挑出来放进窗口,远比购买大窗口重要。成本测算时应盯住计费阶梯的触发点(272K、200K、512K 这几条线):长任务的成本大头不在单价,而在是否跨过那道线。

工程实践中,给 AI 派任务时应主动控制交给它的材料范围,让它按需查找而非整摞灌入——150K 的天花板客观存在,"全部塞入"从来不是可选项。第 13 章将展开这一原则。

## 1.6 厂商跑分的阅读方法

每次新模型发布,信息流都会被跑分截图占据。先界定两个术语。**跑分**指让各家模型做同一套标准化考题后的得分,被引用最多的是 SWE-bench——从真实项目的代码仓库里抽取的"修 bug 题库",模型必须在真实代码中定位问题、修改并通过自动检查才计分。读懂战报直接决定读者是否要为"第一名"的头衔多花钱。本节用 2026 年三个真实案例演示拆解方法。

### 1.6.1 案例一:"GLM-5.2 击败 Claude"的误读

6 月 GLM-5.2 发布后,中文自媒体出现大量"国产模型击败 Claude 登顶"的标题。查阅智谱官方发布页自带的对比图可以发现,图上明确标注:SWE-bench Pro 基准下,Claude Opus 4.8 为 69.2,GLM-5.2 为 62.1——**在官方自己的图中,它并未战胜 Claude**,实际超过的是 GPT-5.5(58.6)与 Gemini 3.1 Pro(54.2)。

"登顶"的误读由两种手法构成:只报告"超过了谁"、不报告"未超过谁";再将不同考题混合比较——GLM-5 的 77.8 是 SWE-bench Verified 的得分,GLM-5.2 的 62.1 是 SWE-bench Pro 的得分,两套题库难度不同。有人据此声称"退步了"(77.8→62.1),也有人据此声称"反超了",两种说法均不成立。

由此得出第一条经验:**阅读战报先确认三个要素——对比对象、所用考题、统计口径,缺任意一项,结论作废。**

### 1.6.2 案例二:厂商自报与第三方复测的口径差

比误读更普遍的是口径差异。此处确立一对全书反复使用的概念:**厂商自报分**指厂商在自家搭建的测试环境下跑出的成绩,**第三方分**指独立机构在统一环境下复测的成绩。这个统一环境有个术语叫 harness,可以理解为"考场"——桌椅、文具、监考规则全由第三方统一提供,谁也不能自带小抄。同一个模型,自家考场和统一考场的分数可以相差悬殊。

典型案例:2026 年 4 月发表于 arXiv 的一项研究分析了 6,299 个 GitHub 仓库中的 30.26 万个 AI 署名提交,结论是五种主流 AI 编程工具无一例外,超过 15% 的提交引入了至少一个可检测的问题\[^60^]。另一组来自 GitClear 的 2.11 亿行代码分析显示,AI 生成时代下,代码克隆量增长 4 倍、重构活动下降 60%、函数调用率下降 35%\[^63^]。这些数据均来自独立第三方,与厂商自报形成对照。

Opus 5 发布时,Anthropic 官方迁移指南中有一条反直觉的建议:删掉提示词中"自我验证""完成后汇报进度"类指令,因为模型已内建这些行为,保留只会导致重复验证、浪费 Token;它还会更主动地委派子 Agent,使用者要做的是显式设置上限\[^1^]\[^4^]。这背后是一个大趋势:脚手架的功能正在逐代被模型吸收进体内。今天的最佳实践,是明天的模型默认行为。

### 1.6.3 案例三:作弊题与"超满分"现象

2026 年 4 月发表于 arXiv 的一项研究审计了 Terminal-Bench 2.0 排行榜:榜首 Pilot 在 429 道题中有 415 道"偷看"了测试数据,ForgeCode 把评分环境换成自己的版本后,得分从 81.8% 跌至 71.7%\[^93^]。同期,OpenAI 在官方博客中宣布弃用 SWE-bench Verified,理由是该题库已被严重污染——模型可凭题号默写标准答案,测试数据已广泛泄漏\[^96^]。

由此得出第二条经验:**跑分排行不等于实际能力**。读者若希望为"第一名"头衔多付钱,需先核查评测机构、考题集、数据隔离机制——这三项中任何一项不可靠,跑分即失去参考价值。

## 1.7 国内编程套餐横评与选型决策

回到国内三家编程套餐的横评。横评的轴线与 1.3 节表 1-1 保持一致:模型档(编程能力)、软件形态(可用工具与生态)、套餐机制(额度过不过得去)、开放度(能否对接已有工作流)。

**表 1-2　国产三家 Coding Plan 对比(数据截至 2026-07-31)**

| 维度   | 智谱                             | Kimi                           | MiniMax                             |
| ---- | ------------------------------ | ------------------------------ | ----------------------------------- |
| 主力模型 | GLM-5.2,模型文件公开                 | K3(2.8T,1M,开源),K2.7 Code 为编程默认 | M3(428B/23B,1M 保底 512K,开源)          |
| 软件形态 | Z Code 3.0;Claude Code 改两行设置接入 | Kimi Code(Apache-2.0 开源)       | MiniMax Code,Agent Team 多智能体+聊天软件接入 |
| 入门价  | ¥49                            | ¥49                            | ¥49                                 |
| 旗舰档价 | ¥469                           | ¥699                           | ¥469                                |
| 计费机制 | 积分制,高峰倍率更高                     | 唯一 Token 计量+缓存命中不计额度           | Token 额度池,全模态(文字/图片/语音共享)           |
| 适配软件 | 兼容 20+ 工具                      | 客户端最少,名单管控最严                   | 兼容主流工具,无需单独申请接口密钥                   |
| 适合场景 | 迁移成本最低的兼容派                     | 重度长任务,成本最优解                    | 跑量任务,需要图片语音额度                       |

横评之后,回到选型决策本身。一个三问清单,可在面对任一具体项目时直接套用。

**问题一:本项目的关键能力是否依赖单一海外模型?**

是——必须建立降级方案:模型能否替换、配套软件能否平移、成本是否可控。智谱的双格式接口与 20+ 工具兼容是当前迁移摩擦最小的选项。否——继续。

**问题二:本项目的工作量是重度长任务还是高频短任务?**

重度长任务(数小时以上,反复读取同一批材料)——优先 Kimi,缓存命中不计额度的机制可显著降低成本。高频短任务(单次对话 10 分钟内,简单文案整理、数据整理)——优先 MiniMax,入门价最低。介于两者之间——继续。

**问题三:本项目是否需要图片、语音等多模态输入?**

是——优先 MiniMax,全模态额度池;或考虑 Z Code。否——继续。

**问题三(续):所用软件是否在 Kimi 白名单内?**

是——可放心选 Kimi。否——选 MiniMax 或智谱。

通过三问的答案交集,可直接锁定一家或两家候选,具体在套餐档位上根据预算选择。这一清单的局限:不包含"项目所属行业有特定的数据使用要求"等业务侧变量;后者需在选型前单独评估。

**现场延伸**:这套三问清单在作者自己的团队里跑了半年多。最早用上,是 2026 年 3 月的一次内部项目——彼时团队刚用完上一家海外厂商的年度订阅,要不要续约成为争论焦点。按这三问过了一遍:问题一答案是"重度依赖单一海外模型",触发"必须准备降级方案";问题二答案是"中长任务,文档批量处理为主",指向 Kimi 缓存命中的成本优势;问题三答案是"不需要多模态"。三个答案交集到"智谱 + Kimi 互补使用"。最终决策:不续约海外,改用智谱主力(日常短任务)+ Kimi 辅助(批量文档任务),年度成本下降 70% 左右,且具备海外模型停服时的降级路径。这套三问的核心价值,不在于每次都给出唯一答案,而在于把"选哪家"这种容易陷入品牌偏好的决定,转化为可被反复套用的判断流程。

![国内编程套餐选型决策树](https://687631483-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F7WxdJpMDAGmV1omWsIzP%2Fuploads%2Fgit-blob-b2a02f4bd32a41e75df48d53f835ecab8eadf70e%2Fai_coding_book_sec01_fig04.svg?alt=media)

## 1.8 本章方法论:格局差不等于产出差

本章的最后,回到一个贯穿全书的方法论原则:**模型差距不等于产出差距**。2026 年 arXiv 上的一项研究(编号 2605.23950)专门分析过这个问题:基准测试的分数从来不是"模型能力"的纯函数,而是模型与其外部工程环境的联合产物\[^76^]。这层环境——提示词如何组装、上下文提供什么、工具如何定义、失败如何重试、任务是否拆给子 Agent——称为 harness,即"脚手架"。研究将同一批模型放入不同脚手架中反复测试,结论是:**更换脚手架造成的分数波动,稳定超过更换一代模型**。厂商发布新模型时宣称的进步通常只有 2 到 4 分,而脚手架的更换可以带来几十个百分点的波动\[^76^]。

两组实验值得记录。其一:其余条件完全相同,仅向系统中增加一个负责代码搜索的子 Agent WarpGrep,在 SWE-bench Pro(一个比 SWE-bench Verified 更难、更防污染的编程基准)上,两个模型的排名就发生了翻转——尽管后者在多数其他基准上更高\[^76^]。其二来自 Cursor 的内部研究:同一个模型,在一套脚手架下得分 46%,在另一套下得分 80%。差距来自四个变量——是将整个代码库灌入上下文还是只检索相关文件、是提交一个大任务还是拆分为带作用域的子任务、工具调用失败后是直接放弃还是纠正重试、中间结果是随手丢弃还是写入结构化工作记忆\[^77^]。

这四个变量没有一项属于模型问题。它们正是本书后续章节要收口的四根杠杆:**检索、上下文管理、工具设计、子 Agent 架构**(详见第 15 章)。

格局章的方法论产出,最后归结为一条建议:**先把脚手架修好再换模型**。当读者对当前产出不满意时,优先检查四根杠杆中的哪一根没调到位,而不是急于切换到"跑分更高"的模型。跑分更高的模型在同样糟糕的脚手架下,产出质量不会比前任更好。下一章开始进入案例篇——10 个真实项目的复盘,每章都会演示四根杠杆中至少一根的实际调节过程。