【别把大模型当全才，要把它们当成互相审计的廉价劳动力】作者用 Claude Fable 做调研，30分钟烧完五倍配额却颗粒无收。他随后把不同厂商的订阅串在一起，建立了一套“分工审计”流水线：用便宜的 Sonnet 搜索，中档的 Opus 核查，最贵的 Fable 仅负责决策。这种多模型共用内存的方法让效率提升10倍且没多花钱。现在的 AI 开发更像是一场数字管理：很多人用顶级模型的时薪让它干体力活，这正是配额紧缺的根源。更值得关注的角度是：别盲信上下文压缩，这种操作常因破坏 Cache 层级导致账单翻倍。真正的生产力不在于追求单一模型的完美，而在于建立让模型互相捉虫的流程。对于那些质疑 AI 只会产出“数字垃圾”（Slop）而无法交付真实产品的人来说，答案或许不在模型强弱，而在于你是否建立了一套严苛的审计链条。 quesma.com/blog/custom-deep-research-pipeline/