你有没有这样一种感觉——
2023 年用上 GPT-4 的时候，那种震撼是真实的：它居然能写代码、能推理、能理解上下文。每发布一个新版本，你会迫不及待去试。但现在呢？GPT-5.6 发布了、Claude Fable 5 来了、Kimi K3 也出来了——你的第一反应是不是变成了：「哦，又强了一点。」
不是它们不够强。GPT-5.6 Sol 在复杂推理上确实甩开了上一代一大截。问题在于：你 90% 的日常任务，两三年前的模型就已经够用了。
这不是观点，是正在发生的现实。这篇不聊模型有多强，聊一个更实际的问题——为什么大部分 AI 项目依然在失败，以及真正该花精力在什么地方。
2026 年的模型版图
先看看我们现在有什么。
把今天的主流模型放在一张图里，按能力和价格两个维度看：
数据来源：OpenRouter API（2026-07 实时定价），涵盖 344 个模型。OpenAI GPT-5.6 于 2026 年 7 月 9 日发布，Claude Fable 5 于 6 月 9 日发布。DeepSeek V4 Pro 于 4 月开源，1.6T 参数/49B 活跃参数，1M 上下文。Kimi K3 据称可媲美 OpenAI 和 Anthropic 的旗舰模型。
这张图的信息量比看起来大。注意定价跨度——旗舰层和主力层之间是 5-10 倍的价格差，和 DeepSeek V4 Flash 比更是 100 倍的差距。更深层的信号是：经济层的模型能力线已经远远到了日常任务「够用」的基准线之上。 日常任务不需要旗舰模型的原因不是「没钱」，是「没必要」。
80/15/5 的分层现实
那实际在用的时候是怎么选的？
以我托管的 hermes-home 多 Agent 系统为例——它跑着 7 个 Agent，每天处理调研、写作、决策分析、知识管理等任务。实际用量比例：
| 层级 | 模型 | 用量 | 场景 |
|---|---|---|---|
| 经济层 | DeepSeek V4 Pro（$0.44） | ~80% | 日常推理、内容生成、知识检索、决策辅助 |
| 主力层 | GPT-5.6 Luna（$1.00） | ~15% | 需要更强推理能力的复杂任务 |
| 旗舰层 | GPT-5.6 Sol / Claude Fable 5 | ~5% | 高难度代码生成、架构设计、研究级分析 |
这不是预算问题。换成 DeepSeek V4 Pro 每百万 token 只需 $0.44，全跑旗舰模型（Claude Fable 5 $10/1M）也就多花二十几倍。真正的原因是：对于 80% 的任务，换旗舰模型的提升用户感知不到。
写一篇博客、整理一份调研、做一个决策分析——这些任务 DeepSeek V4 Pro 完成得很好。只有当你需要处理极其复杂的推理链条、或者生成需要深度理解上下文的高难度代码时，旗舰模型的优势才会显现。而且即便是这些时候，差距也在快速缩小：DeepSeek V4 Pro 的 Benchmark 已经追平了两年前的旗舰模型。
现在，旗舰模型针对的是「不可能轻松做到的业务」，是「需要博士级的研究分析」，是「5% 的场景」。大部分公司的绝大部分业务和大部分个人的日常任务，处在那个 80% 的范围内。
AI 项目真正的死因
如果模型已经够用了，那为什么那么多 AI 项目还是失败了？
RAND 公司对 65 个企业 AI 项目的元分析给出了一个发人深省的数字：80% 的企业 AI 项目以失败告终。 Gartner 的追踪数据给出了类似的结论，MIT 的研究甚至将这个比例推高到了 95%。这些项目不是用 DeepSeek V4 Pro 做的——很多花了大价钱上了最好的模型。
导致项目失败的原因，排在最前面的从来不是「模型不够聪明」。
数据来源：RAND 企业 AI 元分析（65 个项目，80% 失败率）、MIT 研究（95% 企业 AI 项目未交付价值）。
我跑了几个月多 Agent 系统，最深的感受就是：模型从来不是瓶颈。 出错最多的地方，永远是需求没对齐、成本估算偏差、以及系统工程的细节。
真正卡脖子的三件事
如果瓶颈不是模型，那是什么？基于实战观察，我认为有三件事比模型选型重要得多。
需求挖掘：你确定你在解决对的问题？
大部分 AI 项目死得冤枉。团队花了几周时间搭建一个完美的 RAG 流水线，上线后发现用户根本不需要这个功能。或者花了大价钱微调了一个模型，结果业务需求已经变了。
这不是技术问题，这是需求挖掘问题。一个简单的判断标准：你能否一句话说清楚「这个 AI 系统做成了，用户的什么行为会改变？」 如果你说不清楚，模型再强也没用。
真实教训：hermes-home 里有一个 Agent 最早的设计是「帮我决定今天做什么」，上线后完全没人用。后来改成「帮我记录和管理待办事项」，用户每天在用。模型没换，Prompt 也没大幅改——换的是解决哪个问题。
成本控制：不分层的架构跑不远
很多团队的做法是：选一个最强的模型，全量流量都走它。结果第一个月账单出来，团队傻眼了。
分层的逻辑很简单：不是所有请求都值得用最好的模型处理。 80% 的请求可以用 DeepSeek V4 Pro 甚至 V4 Flash，15% 需要 GPT-5.6 Luna 级别，只有 5% 需要动用旗舰模型。
实操层面，成本优化的手段远不止分层：
- 语义缓存：重复查询命中缓存，彻底省掉模型调用
- Prompt 压缩：精简历史记录和上下文，减少 token 消耗
- Fallback 链：小模型先处理，处理不了再升级到大模型
- 输出长度控制：很多场景不需要完整输出，设置 max_tokens 能省一大半
2026 年的行业共识是：一个设计良好的分层架构，可以将 LLM 成本降低 30-50%，同时保持 95% 以上的用户体验不下降。
Agent 工程：能力是 Engineering 出来的，不是模型送过来的
这是最容易被忽视、但也是真正的壁垒所在。
从 GPT-3.5 到 GPT-5.6，模型能力在涨。但把一个 LLM 从「能回答问题」变成「能可靠地完成一个任务」，需要的是一整套工程能力——
- Tool 设计：模型需要知道自己有什么工具可用，每个工具的输入输出是什么，什么时候该用哪个
- Memory 管理：会话历史、长期记忆、知识库检索——怎么存、怎么查、怎么不爆上下文
- 错误处理：模型调用超时怎么办？工具返回异常怎么办？重试逻辑怎么写？
- 可观测性：每次调用花了多少 token？哪个环节耗时最长？出错了怎么定位？
- 多 Agent 协作：多个 Agent 之间怎么发现彼此的能力、怎么传递任务、怎么避免冲突
这些东西，换再强的模型也不会自动变好。它们需要工程投入。
实战案例：一个跑在 DeepSeek 上的多 Agent 系统
hermes-home 是一个真实运行的多 Agent 系统，7 个 Agent 分布在云服务器和本地 Docker 中，通过 MCP 协议通信。这个系统 80% 的请求由 DeepSeek V4 Pro 处理。
它能做什么？
- 知识库 Agent 每天自动扫描 GitHub 新项目，整理入库
- 博客 Agent 从知识库拉取素材，写成 Hugo 文章并部署
- 待办 Agent 管理日常任务并定时提醒
- 决策 Agent 综合分析多个来源，给出结构化建议
所有这些任务，没有一个需要用到 Claude Fable 5 的全能力量。系统的瓶颈从来不在模型能力上——而是在 Tool 设计得够不够好、Memory 管理得够不够稳定、错误处理得够不够健壮。
我花了大量时间优化的是中间这一层——Tool 的接口设计、Memory 的持久化策略、错误恢复逻辑、以及每次调用链路的可观测性。这些才是真正决定系统质量的因素。模型只要「够用」就行。
下次有新模型发布的时候，先问自己三个问题：
- 我的瓶颈真的是模型能力吗？ ——还是需求没挖对、成本没控好、工程没做扎实？
- 换模型能解决我的什么问题？ ——它会让用户感知到显著提升吗？
- 我的系统有足够好的可观测性吗？ ——如果你不知道每次调用花在哪、错在哪，换模型就是盲人摸象。
模型在飞速进步，这是好事。但 90% 的日常任务已经越过了「够用」的基准线。 真正的差距，从来不在模型本身。
数据来源：OpenRouter API 实时定价、DeepSeek 官方发布公告（2026-04-24）、OpenAI GPT-5.6 官方公告（2026-07-09）、Anthropic Claude Fable 5 公告（2026-06-09）、RAND 企业 AI 项目元分析、AP News Kimi K3 报道。