范凯说 AI · 周日晚聊 第33期：四天多款顶级模型轮番登场，日常干活到底该用哪套组合？
开场
大家好，欢迎来到《范凯说 AI · 周日晚聊》，今天是第 33 期。
这周 AI 圈子感觉像提前过年：四天之内，顶级模型轮番登场。周一 Anthropic 发布 Claude Fable 5.1，在各大评测榜上高居榜首；周二 Google 发布 Gemini 3.8 Flash，号称追上了最前沿的模型；周三 OpenAI 发布 GPT-6 Astra，官方称它是世界上最聪明、最对齐的模型。可惜我自己的 Claude 订阅账号已经被封了，所以 Fable 5.1 我没法第一时间上手。
今天除了聊这几个新模型，我更想分享的是我这周做的深度实测：不同工作流到底该配哪个模型、哪个 Agent。我的核心判断是——模型越来越强，Agent 对它的限制就应该越来越少。把这套组合想清楚，比追着新模型跑重要得多。
第一部分：本周 AI 新闻——顶级模型轮番登场
新闻一：Claude Fable 5.1（周一）
Anthropic 发布了 Fable 5.1，Fable 是目前最强的模型，5.1 又把它往上推了一档。它在各个评测榜单上现在是高居榜首的状态。因为我的 Claude 订阅账号被封了，没办法第一时间体验，只能看各家评测。
新闻二：Google Gemini 3.8 Flash（周二）
Google 的 Gemini 一直被我吐槽拉垮，但它最近的 Flash 系列发得很勤快，3.6、3.7、3.8 连续发布。3.8 Flash 号称屠榜，说已经追上了最前沿的模型。但也有说法认为它这个成绩是刷榜刷出来的——数据很好看，用起来不是那么回事，思考深度其实不够。
我专门做了个实测：大家都说 3.8 Flash 中文写作水平很高，我就拿自己常用的写作场景——几百到一千字左右的文章——给了同样的素材、同样的提示词，让它和 DeepSeek V4 Flash 各写一篇。结果 DeepSeek V4 Flash 写得更符合我的预期，文风严谨，完全符合我的要求；Gemini 3.8 Flash 写出来的东西我没法用，有点像写小说、写玄幻，飘得让人没法接受。
从这件事能看出来：一个模型好不好，一定要拿自己最常用的场景亲自去测，评测成绩好的，实际用起来不一定更好。
新闻三：OpenAI GPT-6 Astra（周三）
GPT-6 Astra 是这周最重磅的发布。它主打 Computer Use 电脑操作，官方原话是：你在电脑上能做的任何事情，Astra 都能替你做。各家评测也达到了一线水平，基本和 Claude Fable 5 同级。有评测博主说，Astra 那种"人狠话不多"的感觉回来了。
我自己也用了。我的用法是把它当编程架构师——架构设计、Code Review 都交给它，也用普通任务跑过。两个感受：
第一，费 token。我把 thinking 设成 medium，肉眼可见周限额的血条在往下掉，消耗很大、很贵。第二，速度不慢。以前用 Claude 或者 OpenAI 5 系会觉得慢，Astra 跟 5.6 速度差不多，没有更慢的感觉。它的思维深度和决策准确度确实达到了很精准的程度。
所以我的结论是：如果你不差钱，确实可以开始用 6.0 了。
补充观察：评测体系正在失去公信力
这周各家媒体对前沿模型各种追捧——GPT-6 Astra、Gemini 3.8 Flash、千问 3.8 Max、混元 4 Preview，各种评测体系都出来了。但说实话，现在的评测体系已经失去了公信力：Astra 发布之后，有评测直接翻车，OpenAI 又换了新的评测模型，数据又出现巨大差异；Gemini 3.8 Flash 也被质疑刷榜。
一个模型真正能不能用，和它的评测数据好不好，是完全两回事。新模型可以用，但真不用去追评测。
第二部分：三种工作流 × 模型 × Agent，最佳组合是什么
我这周的评测方法
这周我花了大量时间做深度评测。先说方法：我不测最顶级的模型——真正工作时大量消耗 token，你不可能拿顶级模型去干苦力。我测的是日常主力的"搬砖"模型，一共四个：GPT-5.6 Terra、DeepSeek V4 Flash、GLM 5.3 Flash、千问 3.8。几个没测的也说明一下：Kimi K3 基础设施不行，动不动就服务器过载，可用性很差，排除；混元这种属于二线，没必要测；Grok 等 4.7 出来再看。
Agent 我主要测了三个：Claude Code、Codex、Pi Agent。
四个模型、三个 Agent 可以组合出很多套方案。详细评测明天会发成一条横屏长视频，这里先讲结论，而且是一个一句话原则：
一个模型自身的能力越强大，你就应该越少去限制它。 模型越来越强，Agent 给它的 Harness、给它的控制就应该越来越轻。连 OpenAI 都在建议你重新审视原来写的一堆 Skill 和 Agents，尽量减少对模型的限制。直播间有同学说得更直白：围栏越多越傻，模型越强，围栏要越轻量级。
三个 Agent 的限制程度也不一样：Pi Agent 是限制最少的；Claude Code 加了很多控制；控制最严格的是 Codex——沙箱机制严密，规则最死板。
办公工作流：Pi Agent + 强模型（GPT）
办公工作流是我现在用得最多的一类，包括数据调研、知识库、写报告、联网检索、信息整合，甚至股票调研、金融信息整合，都算这一类。它的特点是给模型大量上下文，让它读文档、出数据报告、做决策。
办公工作流的最佳组合：Pi Agent + GPT。效果最差的是 Codex。
原因就是我上面说的原则：办公场景应该让模型充分发挥、尽可能去抓取数据、写报告时给出丰富细节，所以绝不能用一个限制死板的 Agent。用 Codex 写出来的报告非常干瘪——结论当然没错，但会缺失大量丰富细节，最后变成"正确的废话"，你看着很难受。而 Pi Agent 不去限制模型，模型能充分发挥自己的能力，配 GPT 做办公工作流，细节丰富、结论准确，是最佳搭配。
创作工作流：Pi Agent + DeepSeek V4 Flash，再加一个"责任编辑"
先说模型：试了这么多模型，中文写作能力最强的有两个——DeepSeek V4 Flash 和 Claude Opus 4.6，没有别的能跟它们比。我现在 Claude 账号被封了，用不了 Opus 4.6，但 DeepSeek V4 Flash 完全可以平替它。GPT 的中文写作是渣中之渣，绝对不适合用在中文创作场景；GLM、千问跟 DeepSeek V4 Flash 比也是被秒的份。
再说 Agent：中文创作的最佳组合是 Pi Agent + DeepSeek V4 Flash。如果配 Codex，写出来还是干瘪；配 Claude Code 效果有明显提升，但从内容的丰富度和行文的活泼度看还是死板，AI 味儿浓。
不过 Pi + DeepSeek 也有它的问题：DeepSeek 写作很好，但会飘——写着写着容易跑题，而且写得很冗长。所以我的完整流程是这样的：
第一步，Pi Agent + DeepSeek 先写大纲，大纲定稿后，让 Pi Agent + GPT 审一遍大纲，看一致性好不好、有没有漂移；第二步，按审稿意见调整后开始写作；第三步，全文定稿前，再让"责任编辑"——还是 Pi Agent + GPT——全文审阅：有没有乱写、有没有漂移、有没有超级啰嗦；第四步，把意见返回给"作家"（Pi + DeepSeek）再写一遍。
所以最佳实践是：定大纲和全文定稿这两个环节，要调一个更强的模型来把关。写作本身用最松的 Pi Agent + 中文最强的 DeepSeek；审核用 Pi Agent + GPT（有 Claude Opus 4.6 也可以）。记住千万不要用 Codex 来写文章，也不要用在写作工作流——它会按编程场景给你框得太死。
关于 AI 味儿，我自己的体感：Codex 写出来干瘪到没法看；Claude Code 没那么干瘪但 AI 味儿重；换成 Pi Agent + DeepSeek，AI 味儿已经很淡，大约 15%；再加上你自己的语言风格提示词、去 AI 味提示词，能压到 10% 以内；最后自己手工改一遍，成品基本能控制在 5% 以内。
编程工作流：强 Agent Codex + 强模型 GPT
编程和写作、办公正好相反：代码场景约束越强越好，因为代码错一点点，整个程序逻辑就出问题。所以编程工作流最适合强模型 + 强 Agent，我用的是 Codex + GPT 模型。
推荐大家去看一个叫 Frontier Harness 的网站：它用同一个模型——Kimi K3——去测不同 Agent Harness 的代码通过率，专门测编程场景。结论：代码通过率最高的是 Codex；其次是 Claude Code 和 DASH Creator，差大约三个百分点；再往下是不做限制的 DeepSeek 标准版和 Pi Agent。也就是说，加了 Harness 之后对编程效果更好，而 Codex 这种极其严格的 Harness，编程通过率最高。
但它有个代价：token。Pi Agent 是最省 token 的，在省 token 和质量之间最均衡；Claude Code 只比 Pi 好一点点，消耗的 token 成本却是 Pi Agent 的七倍。Claude Code 搭自己的模型没问题，但搭别的模型不推荐——太耗 token。
把三种工作流串起来：Paseo 里的五个角色
那么问题来了：三种工作流怎么混着用？比如我从办公工作流开始讨论，聊着聊着发现要改代码，怎么办？这就需要一个能把不同 Agent + 不同模型组合在一起编排的工具——我用的就是 Paseo。
我在 Paseo 里配了五个角色，每个角色是"一个 Agent + 一个模型 + 一种用途"的固定组合：
- 作家：Pi Agent + DeepSeek V4 Flash，thinking 设 High，最适合新媒体创作；
- 程序员：Codex + GPT-5.6 Sol，设 High，主力写代码；
- 架构师：Codex + GPT-6 Astra，设 Medium——最强模型加最严 Harness，负责架构设计和审核，Medium 省一点 token；
- 决策：Pi Agent + GPT-5.6 Sol，负责日常工作中的重要决策；
- 搬砖：Pi Agent + GPT-5.6 Terra，设 Medium，负责查新闻、知识库管理、文档处理、数据调研这类日常普通工作。
用法很简单：我在搬砖（Pi + GPT-5.6 Terra）的会话里整理个人付费网站的产品策略，聊完发现需要改代码，就跟它说：把这个任务整理好，交由架构师审方案，方案通过后让程序员写代码，写完架构师做 Code Review，通过后本地测试、Preview 环境测试、再走生产环境。它会自动编排：调架构师做设计、转给程序员写代码、再让架构师 Review。
我现场演示的时候，架构师正在做第二轮 Code Review，结论是"第二轮 Code Review 不通过，必须返工，禁止进入 Preview"，然后任务被丢回程序员，已经改了二十一分三十八秒。一个主 Agent 负责调度，指挥一个架构师、一个程序员吭哧吭哧干活，这个过程是全自动的。
所以 Paseo 之所以是神器，因为它是一个第三方多 Agent 编排框架：Claude Code 只能编排自己的 Claude Code，Codex 的编排也只能用 Codex 自己的模型——它们都只能编排自家的 Agent、自家的模型。只有第三方的编排，才能充分利用"Agent × 模型"的任意组合。同时它还给你所有 Agent 的 CLI 装上了 GUI，支持手机、Pad、笔记本多端远程遥控同一台电脑上的所有 Agent，还内置远程终端和远程代码编辑器。
一句话总结
在现在的时代，哪怕国产的 DeepSeek V4 Flash、GLM 5.3 Flash，其实已经足够完成你的办公工作流和创作工作流了；编程你可能还是要用 GPT。但对我们大多数人来说，真正该花心思的不是追最新最强的模型，而是想清楚：你有哪些工作场景？每个场景配置哪些角色？角色之间是什么协作关系？怎么把它们有机编排起来？当这些想清楚之后，你只要发起一个命令，多 Agent 就开始自己协作干活了。
这才是我们作为 OPC（一人公司）、作为超级个体，真正应该具备的能力。
用户答疑精选
模型选择的总答案：国产 DeepSeek 主力 + GLM 辅助，海外 GPT 主力 + Grok 备选
有人问手头是 M1 Max 64G、要不要用千问 3.8 Flash Next。我的看法是：千问模型很拉垮——一线国产模型里，DeepSeek、GLM、千问、Kimi 这四个我都测来测去，千问真的很会刷榜，而且本地量化模型不稳定，不能作为主要考虑。Kimi 最大的问题是模型太大、基础设施太烂，用 Kimi K3 跑复杂任务经常跑到一半告诉你服务器过载，很恶心。
一家 AI 模型公司的能力，不光体现在训模型和刷榜的能力，更要体现在推理服务的稳定性上。DeepSeek 的推理服务稳定性极强，尤其 DeepSeek V4 Flash，跑起来每秒能到 150 个 token，又快又稳。
所以国产模型里真正能掰手腕的就两个：DeepSeek 和 GLM。MiniMax、小米 MiMo 都算二线。有同学问 GLM 5.3 Flash 是不是已经到了“斩杀线”？对，我认为确实是斩杀线，GLM 5.3 Flash 能力在线。
我的选择：国产主力 DeepSeek、备选 GLM；海外主力 GPT、备选 Grok。至于为什么不用 Claude——我的订阅账号被封了，不想天天跟它捉迷藏去折腾。
关于 Grok 多说两句：我没买 SuperGrok，流量套餐太少，跑不了重度任务，也不想每个月花 30 美元。我现在让它每天去抓 X 上的内容，给我生成一份每日 X 日报——Grok 能默认用 X.com 自己的接口，抓数据很方便。马斯克自己也承认，Grok 4.6 还没达到 GPT 和 Claude 的水平，要等 4.7 出来才行；既然它还没上牌桌，我也不急着测它，等 4.7 出来再说。
本地部署：128G 机器上最强的是 DeepSeek V4 Flash 2.4 比特
本地部署 27B BF16 能力会更强吗？不会。我明确测过：在我 128G 的 Mac Studio 上，能力最强的就是 DeepSeek V4 Flash 2.4 比特量化版，能控制在 90G 内存左右。27B 的速度并不会更快，能力会弱很多很多。它显著好于千问 3.8 FlashNext——FlashNext 的 Q3、Q4E 量化我测过，context 大了或者任务复杂了就会抖动、不稳定。玩玩可以，真要在本地干活，模型稳定性很重要，而 DeepSeek V4 的本地模型非常非常稳定。
有人下单了 96G 的 M5 Ultra 想跑 2.4 比特的 DeepSeek V4 Flash——没希望。这个模型 86GB，整个跑起来至少要准备 90G 内存，96G 会频繁交换。建议用小一点的模型，或者你上 256G 的 Mac，跑 Q4 量化版，那本地就绝对无敌了。
Mac 上最好用的本地推理框架就是 oMLX，装上去直接在页面里下载模型就能跑。
顾问模式的经验与坑
做顾问最重要的是：不要变成一个乙方、一个外包的乙方。你还是得有一套自己的、完整的、成体系的经验。你到底是帮客户做什么的？做咨询的——你根据客户的情况给他做咨询，最终是他得按照你的套路来，不能是你按照他的套路来；你按照他的套路来，你就是外包、你就是乙方。所谓咨询，就是你给客户提供方案，客户认可这个方案、按照你的方案来，你这个顾问才做得下去。
有人问 Agent 工作流里的顾问模式，比如强模型规划、轻模型执行、循环迭代，行不行？没问题。因为主 Agent 其实只负责调度，当模型本身足够强的时候，子 Agent 来回调度没有任何瓶颈。我默认就是 Pi Agent + GPT-5.6 Terra，thinking 设 medium 或 high——thinking 级别无所谓，随时可以改。比如我在搬砖会话里聊着聊着想到一个选题，就说"进入创作模式，让作家去写大纲"，搬砖者本身就是 5.6 Terra，它去调度几个子 Agent 不存在任何瓶颈。
办公自动化：Outlook 邮件 + 多表 Excel 查询
这种场景特别适合 Pi Agent + GPT-5.6：GPT-5.6 处理得比较稳，Pi Agent 不怎么限制它。具体做法：邮件在 Chrome 浏览器里，可以让 Pi Agent 通过 CDP 这个 MCP 直接控制 Chrome 浏览器；Excel 要本地查询，就让 Pi 用本地的 CLI 去读——Homebrew 装一个能读表格的工具就行。如果一定要用 Computer Use 操纵桌面软件，那就只能用 Codex 桌面端，让它直接操纵 Excel 表格和 Outlook 邮件。顺带说一句，Pi 连接飞书也不难：飞书有 CLI，你把飞书 CLI 丢给 Pi，让它直接调用就行。
怎么保证 AI 写的代码"有效"，而不是"逻辑正确但没法用"
靠多 Agent：一个 Agent 写代码，一个 Agent 去审核。更重要的是用测试去覆盖，我现在认为最重要的是端到端测试，总共三层：第一层单元测试，TDD，先写测试再写功能代码；第二层集成测试，功能文档里定义的整个工作流要有一个集成测试；第三层端到端测试，你作为一个用户实际使用产品的完整流程——注册流程、支付流程——全部定义成文档。
把这三份文档（单元测试、集成测试、端到端测试）把关好，你就不用去看代码了：三个测试全通过，代码再烂它也是 work 的。Web 端好办，Agent 可以控制浏览器跑本地和远端的端到端测试——本地搭测试环境，远端搭 Preview 预发布环境（支付流程在本地跑不了），生产环境不能跑支付测试。桌面软件和 iOS 这种就得上 Computer Use，我的做法是定义一个"本地测试验收专家"，直接让它去调 Codex 的 Computer Use 就行。这套搭完，我敢说 95% 以上是 OK 的，管代码质量没有任何意义了。
Pi Agent 最少装哪几个插件？
我认为只需要一个必装的：MCP。因为 Pi Agent 要用 Paseo 的多 Agent 编排，需要调用 Paseo 的 MCP；要控制 Chrome 做端到端测试和前端开发，装 CDP 这个 MCP，对 Chrome 有最丰富的控制。我实际装了三个：MCP、Web Access（做联网搜索和数据调研）、Pi Memory（记录你的习惯用法，省得反复提醒，可装可不装）。三个足够了，不需要第四个。Pi 这种简单 Agent 的理念就是少控制、少装东西，真正需要的能力自己写 skill、写扩展。
补充两个具体问题的答案：做数据分析用 Pi Agent，千万别用 Codex——Codex 写数据报告不给你任何细节，全是正确的废话，能把你恶心吐了；产品要快速上线、线上收款，用 Stripe，注册个账号拿一个 token，接入代码交给 Agent 写就行，全球支付现在标准就是 Stripe。
用 Paseo 是不是要写很多说明文档？要不要装 CC Switch？
不用写说明文档。Paseo 自带六到七个 skill，你的 Agent 能读到这些 skill，你只要定义好角色、说出角色名，剩下它全给你搞定。
CC Switch 只是修改 Claude Code 和 Codex 的配置文件；Paseo 读的是 Claude Code 和 Codex 的 CLI，所以两者不是冲突关系——你用 CC Switch 改过的配置，Paseo 读到的就是改过的版本。至于让 Paseo 去接 DSH（DeepSeek Harness），我没有任何兴趣：DSH 还在剧烈变动中，接口很不稳定，玩玩可以，不适合做主力，目前不在我的射程范围之内。
家里和办公室怎么协同用 Paseo？
你只需要一套工作环境。我的做法：所有 Agent 工具都装在家里那台 Mac Studio 工作站上，Paseo 也装在那，它一起来就是守护进程，本机起一个服务端口；然后笔记本、手机、Pad 都装 Paseo，扫码跟工作站绑定。绑定之后，手机、Pad、笔记本用的其实都是工作站上那套 Paseo——局域网内要打开一下权限才能直连，正常情况下走中继服务器，很安全。所以你在办公室的台式机装好 Paseo，回家用手机、笔记本操作的都是办公室那台电脑，等于只有一套开发环境，但走到哪儿都能无缝远程使用。
写作 AI 味儿太重怎么办？
记住用 Pi Agent——用一个不去限制模型的 Agent。Claude Code 逻辑确实比 Pi 强，但对文章来说，它的 Harness 会限制文风，不够活泼、没人味儿，AI 味儿会越来越重。具体到我的工作流：作家是 Pi Agent + DeepSeek V4 Flash，责任编辑是 Pi Agent + GPT，按这个流程跑一遍，写出来的文章文采斐然、没什么 AI 味，最后自己手工看一遍稍微改改就行。大纲和全文定稿时调一个更强的模型来把漂移和啰嗦关。
用 Hermes 怎么样？
Hermes 两边不靠：要么像 Codex 这种强 Agent 用编程场景，要么像 Pi Agent 这样尽量少限制、充分发挥模型能力。它宣传的自进化能力，我在 Pi 里用 Pi Memory 加自己写 extension、写 skill 也能实现，控制力还更强，所以 Hermes 对我不算有价值。不过我自己给 Hermes 搭过一个环境，拿微信做了远程登录，给家里小孩做问答用——它有记忆能力，给孩子用还挺合适。
做 PPT 用什么模型和 Skill？
取决于你有哪些 Skill 和扩展。Codex 目前有比较好的 PPT 扩展，但它从创作角度不合适。我的两种做法：一是先用 Pi Agent + GPT 完成 slide 内容的创作，再把结果 hand off 给 Codex + GPT 生成 PPT——Codex 生成 PPT 很强，多 Agent 编排能无缝完成这种交接；二是纯用 Pi Agent + GPT：先生成每页内容并定稿，再转成 HTML 页面做美化，最后调 Chrome 的打印功能输出 PDF。不是非要动画的话，PDF 展示就够了，第二种更灵活，基本不依赖第三方插件。架构图更简单，Markdown 本身就支持。
写在最后
不要天天盯着哪个模型强、哪个模型弱。一开始玩一玩可以，但慢慢地，你要形成自己的一整套多 Agent 工作流编排框架，那才真正提高你的工作效率。我现在已经开始形成自己的这套工作流了，跑起来挺好。
下周日晚九点，我们继续聊。
如果你希望把 AI 更系统地应用到工作、学习与个人成长中， 更多课程、教程和会员内容，请访问「范凯说AI」个人付费会员网站：
fankaishuo.ai