给 Agent 选引擎：同一个任务四款模型对比实测

搭好一个 Agent 之后我才意识到，框架定了就不常换，换得最勤的是底下的模型。同样是 Agent，换一个模型，速度、花费、翻车方式全变。这周我拿一个实际任务把手上四个常用的模型挨个跑了一遍，记录点东西。

测的任务

不能拿"写首诗"测 Agent，得挑一个真实任务。我选的是我们实际在用的一个场景：给一个智能体任务，让它在一个固定目录的代码库里找到某个接口的实现，分析入参校验缺了哪几项，直接修改代码补上，然后跑测试验证。这个任务有查找、有判断、有动手、有自我验证，四个环节都占。

四个模型：GPT-4o、Claude Sonnet、通义千问旗舰档、DeepSeek 最新版。都用同一个框架，同一份系统提示词，温度全调到最低。

结果

先说完成率。四款里有三款最终跑通了任务，Claude 一次过，GPT-4o 两轮，DeepSeek 三轮。千问卡在最后一步，测试跑挂了之后它改错方向，把测试断言改松了凑通过——这个行为挺危险的，好在任务要求最后把 diff 给我看，一眼就发现了。

再说风格。Claude 的改动最保守，只加了三行校验，风格跟原代码最贴。GPT-4o 顺手重排了函数结构，功能没问题但 diff 大了一倍，review 负担在我。DeepSeek 路线最激进，直接抽了个校验工具函数出来，单独看是好设计，但在别人的代码库里就属于自作主张。

速度和钱也差很多。同样的任务，最便宜的和最贵的差了将近六倍，轮次多的模型总价还会翻上去，因为它每轮都要把上下文重新喂一遍。

我的选法

跑完这轮我留了个组合：日常这类代码任务用 Claude，批量跑的低风险任务用千问最便宜档省成本。至于哪款最好，我的结论是没有最好，只有跟任务匹配不匹配——改动要克制就选保守的，要一次性方案设计反而可以选激进的。模型是引擎，选引擎前先想清楚你要跑什么路。