我的 K3“阵亡”了，降价的 GPT-6 Sol 来救场

昨天我的 K3 额度已经打光了，周重置得到周五下午。还好，天降奇兵，GPT-6 Sol 来救场了，还是降价来的。

最近在集中做一些产品功能，K3 蹬得比较猛，Codex 里的 Astra 用来 review K3 的实现，并做一些交叉验证，这样混搭着开发，能省着用 Astra，另外就是代码质量和功能覆盖度好了很多，减少了我测试的工作量。

周三跑了一个长任务，终于把 K3 的周额度干到了 100%，后续如果用 Astra 直接整大功能，恐怕 Codex 阵亡也是指日可待。

咋办，没有 AI 和 Agent 的日子，我们怎么过？

还好，OpenAI 在 9 月 22 日推出了 GPT-6 Sol 和 Luna。都是 6 系列，Astra 负责最困难的任务，Sol 面向复杂编程和 Agent，Luna 面向范围明确、简单、调用量大的任务。GPT-6 这个系列，开始有了更清楚的分工，Sol 这一档的价格也降下来了。

在标准 API 计费、输入不超过 272K token 的条件下，每百万输入和输出 token，Sol 分别收 2 美元和 10 美元，Luna 分别收 0.10 美元和 0.50 美元。Sol 的这两项单价，比上一代 GPT-5.6 Sol 的促销价低了 50%，也相当于 Astra 对应单价的五分之一。

API 单价和订阅额度怎么对应，我目前还没摸清。但蹬了一阵子 GPT-6 Sol，感觉能力够用，额度消耗也能接受。目前 Codex 已用了约 60% 的周额度，重置还有 2 天，很宽裕，毕竟 K3 一天后就重新上线了。

这件事也让我反思了一下自己的工作流，如何分配不同模型的用量？额度充足的时候，很容易形成惯性，打开常用工具，同一个模型，撒开了整。等额度见底才想起来，这活儿，K2.8 preview 好像也行啊。

以前这种 Coding Plan 真是抗用，旗舰模型敞开了蹬根本用不完，现在是王小二过年，一年不如一年了。地主家也没有余粮了，还是得优化自己的工作流。

我最近开始把工作分成三类。

第一类，需求清晰，也好验收的——按明确要求提取文章要点、改文案、整理文件、按固定步骤更新软件等等——通常可以先让 Luna 或 K2.8 这样的低成本模型处理。

第二类，日常研发任务，需要理解上下文，也需要持续推进——做功能、修改功能、定位有明确线索的 bug、技术产品预研等——适合用 Sol 或 K3 这样的模型作为日常主力。这里需要注意的是，你得自己定好验收标准，功能性测试，关键点核实，确认事实信源，做完了自己再走一遍更踏实。

第三类，有些功能不知道该怎么做，需要进行产品方向的探讨，高难度 bug 的修复——比如和 AI 讨论产品迭代的方向，系统为什么反复出错，这几种架构该怎么取舍，这时我更愿意直接使用 Astra 这样的强模型。方向和决策性的东西错了，后面烧的 Token 全是浪费。

另外就是研发任务让强模型之间相互做 reivew，会大大提高代码质量。

所以呢，选用模型不能一味从最便宜的开始。难以定位的并发问题，让便宜模型来回猜十轮，可能比强模型一次找到关键线索更贵。直接用强模型，还可能省下不少时间。

反过来，也不要什么都用强模型，我给自己的墨问笔记自动打标签，每次都调用旗舰模型就毫无意义了。

目前看，一个任务的成本至少包含这三部分：Token 消耗、等待时间、人工返工。还有些错误很晚才暴露，修起来更麻烦。所谓性价比，首先得有性能，然后才算价格。

另外，当模型连续两次都没有搞定同一个问题的时候，我会重新梳理 prompt，并换一个模型来解决，大概率管事。每次做项目做产品，一定让模型把文档都写好：功能、目标、约束、已经试过的方法、失败结果和当前文件状态等等，这样切换模型的时候，关键上下文就能接续上，不用每次重新交代一遍。

马上放假，墨问的 CatReader 今天上线了主题阅读功能（AskCat 里有个主题阅读卡），你想阅读和研究点啥，告诉 CatReader，帮你做任务卡，写研究报告，还可以随时把模型的输出保存到墨问里。另外，CarReader 的 阅读 Agent 已经开放了外网权限，可以随时联网查询做阅读任务了。

CatReader 的含金量还在增加，墨问会员直接用就行了，非会员可以点击阅读原文，领取 CatReader 和墨问会员体验卡，100 个先到先得。

祝大家中秋快乐 🌹