按任务类型选模型：写代码、读长文档、闲聊与结构化输出分别选谁

为什么按任务选模型

不同模型在训练数据、上下文长度、指令遵循和输出稳定性上各有侧重。把任务类型和模型特长对齐，能用更低的成本获得更可靠的结果。在聚合站中，一个 API key 即可调用多个模型，切换成本极低，因此按任务选型非常实际。

写代码：优先选择代码能力强的模型

选择规则：优先选 Claude 系列或 DeepSeek 系列，它们通常在代码生成和调试上表现更稳定。

• Claude 系列在代码可读性、复杂逻辑实现和遵循编码规范方面口碑较好。
• DeepSeek 系列在算法题、代码补全和性价比上常有优势。
• 如果任务涉及特定框架（如 React、PyTorch），可以先用小段代码测试模型是否熟悉该技术栈。
• 注意：模型的实际表现会随版本更新变化，建议以官方文档和实际测试为准。

读长文档：关注上下文窗口与信息提取能力

选择规则：选择上下文窗口足够大且支持长文本理解的模型，如 Claude 系列、GPT 系列或 Kimi。

• 先确认文档长度是否在模型上下文限制内。超长文档可分段处理或使用支持更长上下文的模型。
• 长文档任务通常要求模型能定位细节并总结主旨。可询问模型“请引用原文回答”来检验其提取能力。
• 如果文档包含大量表格或图表，需注意模型对非文本内容的解析能力有限。
• 聚合站允许随时切换模型，可对比不同模型对同一文档的回答质量。

闲聊：平衡成本与响应速度

选择规则：选择响应快、成本较低的模型，如 Qwen、GLM 或 DeepSeek 的轻量版本。

• 闲聊通常不需要顶级推理能力，优先考虑响应速度和费用。
• 对于多轮对话，注意模型是否保持上下文一致性。部分轻量模型在长对话中可能遗忘早期信息。
• 如果闲聊中穿插知识问答，可临时切换到知识更强的模型，聚合站支持同一 key 下灵活切换。

结构化输出：重视指令遵循与格式稳定性

选择规则：选择指令遵循能力强、输出格式稳定的模型，如 GPT 系列或 Claude 系列，并配合明确的格式说明。

• 在提示词中明确指定 JSON、XML 或表格等格式，并给出示例。
• 部分模型支持 JSON 模式或函数调用，可优先使用这些特性。
• 如果模型输出格式不稳定，可尝试降低温度参数或增加格式约束。
• 对于批量结构化任务，建议先用小样本测试模型，再决定是否扩大调用。

在聚合站中实践这些规则

1. 用同一个 API key 创建多个模型调用配置，按任务类型路由。
2. 在代码中根据任务标签（如 code、long_doc、chat、structured）选择对应模型。
3. 记录每次调用的模型和任务结果，逐步优化选择规则。
4. 注意成本：用户按官方价 ×1.3 扣费，USDC 充值无 KYC；贡献 key 可按官方价 ×1.1（优质 ×1.2）获得 USDC 返现。

总结

没有 universally 最好的模型，只有最适合当前任务的模型。通过聚合站，你可以低成本地尝试和切换，找到每个任务类型下的最佳选择。