Vibe Coding 与 AI Agent 全景知识库

主题

14.7 思考等级与多模型分工：用最便宜的方式把事做对 ​

一个模型从规划到执行全部包办，未必能得到更好的结果，也可能增加等待时间和费用。可以按任务难度分配模型：复杂规划与审查使用更强的模型或更高思考等级，边界清楚、可自动验证的步骤使用成本较低的配置。

为什么要按任务分配模型和思考等级？ ​

14.2 已经说明，多步 Agent 会在读取文件、运行命令和分析报错时反复调用模型。每一步实际发送的上下文取决于产品实现，但调用次数和上下文长度都会累积费用。这意味着：

  1. 便宜 vs 旗舰的差价会被"放大很多倍"：一个跑 30 步的 Agent 任务，如果全程用旗舰模型，等于把旗舰价格乘了 30 次；如果中间大量机械步骤换成便宜模型，省下的就是这 30 步里每一步的差价。
  2. 部分模型支持调整思考等级：reasoning_effort 等参数会影响延迟、Token 使用和结果质量，具体档位与计费方式因厂商而异。官方文档：OpenAI 推理模型指南 · Anthropic 扩展思考 · Google Gemini Thinking · 智谱深度思考。
  3. 不同阶段的需求不同：规划与审查需要理解全局和发现遗漏；执行阶段往往包含较多边界明确、能够由测试检查的步骤。分配模型时应依据任务复杂度和验证条件，而不是只按“贵”与“便宜”划分。

方案 A：多模型"规划 → 执行 → 审查"流水线 ​

这是最经典的"教练-球员-裁判"三权分立打法：

三步职责表 ​

角色用谁思考档位产出什么验收标准
规划 (Planner)旗舰（如 GPT-5.6 SOL / Claude Opus）高计划书：文件清单 + 函数签名 + 验收标准能直接当"契约"交给另一个模型执行，不含歧义
执行 (Executor)便宜（如 GPT-5.6 Luna / Grok 4.6 / Flash 系）低可运行代码 + 自测记录 + PR 摘要lint/typecheck/单测全绿；改动范围不超过契约
审查 (Reviewer)旗舰（同上）高批注/修改意见 + 最终放行接口、错误处理、安全、测试覆盖达标

优点 ​

  • 省钱：机械执行占了 Agent 循环 80% 以上的步数，这部分的"乘法风暴"差价被便宜模型吃掉了。
  • 省时：旗舰模型只在"开头定方向"和"结尾把关"出现两次，不用陪着跑完几十步。
  • 质量更稳：审查是独立视角（不是自己写自己审），更容易发现执行器的"自嗨式错误"。

缺点与"难以维护的代码防线" ​

最大的坑就是：便宜执行器可能生成一堆"难以维护的代码"，还看起来挺像样。防它靠六道保险：

  1. 规划要写成"模型无关的契约"：文件清单 + 函数签名 + 验收标准（参考 Spec 驱动开发 / OpenSpec），别写散文——散文跨模型交接最容易丢上下文。
  2. 限制执行器步长：一次只改一个可审查的小 diff，禁止"一口气重写整个模块"。
  3. 掐紧输出：思考等级调低——难以维护的代码不是"写出来的"，是"一步写太多"憋出来的。
  4. 自带自动关卡再交卷：执行器提交前必须自己跑 lint + typecheck + 单测，全绿才允许进审查；别让旗舰审查去抓编译器就能抓的错。
  5. 执行器必须附 PR 摘要：改了什么、为什么、哪里没把握（3 句话），审查者先读意图 + 疑点，不逐行读。
  6. 审查按清单聚焦：只审接口签名、错误处理、安全、测试覆盖；格式化交给 Prettier/Ruff 自动处理，不浪费旗舰时间。

方案 B：同一模型"思考等级路由" ​

如果你不想维护多个账号、也不想面对"跨模型方言漂移"（SOL 写计划、Luna 看不懂），可以只用同一个旗舰模型，靠切换思考等级来分工：

  • 规划/审查：reasoning_effort = high/max（烧脑但次数少，撑得住）；
  • 执行：reasoning_effort = low（秒回、少想，省 token 省时间，靠契约约束它不跑偏）。

它的好处：

  • 不用养两套账号，API Key 管理更简单；
  • 计划/执行/审查是同一个"人"，上下文和"语言习惯"完全一致，没有交接损耗；
  • 适合预算有限、但任务复杂度中等的个人开发者。

它的问题：同模型低思考档的执行力上限，不如"专门跑得快的便宜模型"（后者往往参数量小但吞吐高）。所以任务量极大、跑 50 步以上时，方案 A 更香。

方案 A vs 方案 B 速览 ​

对比维度方案 A：多模型分工方案 B：思考等级路由
省钱效率更高（便宜模型吃下大部分步数）中（同模型 low 档省一部分）
跨模型交接成本有（计划必须写成契约）无（同一个人）
执行吞吐高（专门模型跑得快）中
适合谁重活多、Agent 长任务、团队个人中等任务、想省事的你

进阶补充：弱执行 + 强验证（Generate-and-Test） ​

当任务是"有多个可行实现可选"时（比如"实现一个限流器，给三种方案"），可以再升级一档：

  1. 让便宜模型批量生成多个候选实现（快、便宜、量大）；
  2. 让自动测试跑一遍，把明显不合格的筛掉；
  3. 旗舰模型只做"验证 + 挑选"：看每个候选的接口与边界处理，挑最优或融合。

这样旗舰模型的每次出现，都是在做决策而不是搬砖，性价比最高。

用代表性任务校准思考等级 ​

推理强度越高，不保证每个任务都更好。格式转换、明确检索和小范围修改可以先用较低档；架构取舍、复杂故障和高风险审查再比较更高档。对同一组任务记录正确率、耗时和用量，找到满足要求的最低配置。

多模型分工还会增加交接成本。规划模型输出的方案若不够具体，执行模型仍会反复猜测；审查模型与生成模型使用相同盲点，也可能一起漏错。每次交接应带目标、输入、已完成内容和验证要求。

OpenAI 官方建议从能保持产品约定的最小提示开始，再用代表性样本调整推理强度和输出格式。可参考 Reasoning models。最终选择应基于自己的评测结果，而不是固定的“旗舰规划、小模型执行”公式。

实战组合参考 ​

组合一：多模型三件套 ​

规划：GPT-5.6 SOL（思考 MAX，把需求写成契约）
执行：Cursor 里的 Grok 4.6（低思考 + 小步 + 自测 + PR 摘要）
关卡：lint + typecheck + 单测全绿
审查：GPT-5.6 SOL（只审摘要 + 关键模块 diff）

组合二：同模型思考等级路由 ​

规划：GPT-5.6 SOL（reasoning_effort = max）
执行：GPT-5.6 Luna（reasoning_effort = max）
审查：GPT-5.6 SOL（reasoning_effort = max）

组合三：低成本起步（学生 / 新手） ​

规划 + 审查：GLM-5 / DeepSeek-V4-Pro（高思考档）
执行：DeepSeek-V4-Flash / GLM-4-Flash（几乎白菜价）

不建议一开始就上"三模型豪华流水线"——先把 14.6 的 RCCO 提问、Plan 模式、步长控制练熟，再上分工流水线，否则容易"三个模型互相听不懂"。

本节小结与行动清单 ​

  • [x] 记住乘法风暴：Agent 长任务里"步数×单步差价"才是省钱大头，别只盯着单次调用价格。
  • [x] 贵的多想，便宜的多跑：规划与审查交给旗舰高思考档，执行交给便宜低思考档。
  • [x] 计划写成契约：文件清单 + 函数签名 + 验收标准，才能跨模型安全交接。
  • [x] 先上自动关卡：lint/typecheck/单测全绿才轮到旗舰审查，别浪费旗舰时间抓低级错。
  • [x] 审查按清单聚焦：只审接口、错误处理、安全、测试覆盖，格式化交给工具。
  • [x] 关键路径不省钱：支付、安全、核心算法，该旗舰就旗舰；省钱只省在样板/机械代码上。
  • [x] 多尝试、找自己舒服的搭配：没有唯一正确答案，方案 A / B / Generate-and-Test 都值得各跑几个真实任务对比效果。