企业官网建设流程全解析

1. 从"白菜价"三个字说起：这波模型定价到底在卷什么

第一次看到"GPT-6 白菜价"这个说法，我的反应是先去翻各家 API 的定价页，而不是急着看参数表。原因很简单——过去两年里，模型能力的差距在快速收窄，但价格差距反而在拉大。同样一个中等复杂度的任务，用不同档位的模型跑，成本能差出十几倍。所以"白菜价"这三个字背后，真正值得聊的不是某个具体数字，而是单位智能的价格曲线正在发生什么变化。

我自己的体感是，2024 年之前大家选模型基本只看"能不能做对"，2024 年之后变成了"做对这件事要花多少钱"。这个转变非常关键，因为它直接决定了你该怎么搭一套工作流。举个我实际遇到的例子：一个需要读取几十页文档、抽取结构化字段、再做交叉校验的任务，如果全程用顶配模型，单次成本可能到几块钱；但如果把"抽取"和"校验"拆开，抽取用便宜模型、校验用贵模型，成本能压到原来的三分之一甚至更低，准确率几乎不掉。

这就是"白菜价"真正的意义——它不是让你把所有活都交给最便宜的模型，而是让你有能力做分层。以前只有一档模型可选的时候，你没得选；现在有了 Astra、Sol、Luna 这种明显拉开档位的组合，选型本身就成了一个技术活。

1.1 为什么"便宜"不等于"够用"

很多人看到低价第一反应是"那我全用便宜的就行了"。我踩过这个坑。早期我把一个代码生成任务全量切到某个低价模型，结果生成的代码能跑，但边界条件处理得一塌糊涂，测试用例通过率从 92% 掉到 71%。后来我做了个简单的归因：低价模型在"模式化输出"上表现很好，比如格式化、翻译、简单摘要；但在"需要多步推理且中间步骤不能错"的任务上，错误会累积。

所以判断一个模型能不能用，不能只看单点测试，要看错误累积特性。我一般会用一个三步任务来测：第一步抽取，第二步基于抽取结果计算，第三步基于计算结果给建议。如果第一步错了 5%，到第三步可能就错了 20%。这个放大效应，是选型时最容易被忽略的东西。

1.2 分层搭配的底层逻辑

分层搭配的核心不是"省钱"，而是把不同难度的子任务路由到不同成本的模型上。我通常把任务分成三类：

• 模式化任务：格式转换、字段抽取、简单分类、文本清洗。这类任务对推理深度要求低，低价模型完全够用。
• 推理型任务：多步计算、逻辑校验、代码生成、方案对比。这类任务需要模型保持中间状态的一致性，建议用中档模型。
• 判断型任务：涉及取舍、风险评估、模糊边界决策。这类任务对"品味"要求高，值得用顶配模型。

我实测下来，一个典型的内容处理流水线里，模式化任务能占到 60% 到 70% 的调用量，推理型占 20% 到 30%，判断型通常不到 10%。也就是说，如果你把这三类都路由对了，整体成本能降到"全用顶配"的 20% 到 30%，而质量损失几乎感知不到。

提示：分层的前提是你得先把任务拆清楚。如果任务本身是"一锅炖"，那分层就无从谈起。拆任务这件事，比选模型更值得花时间。

2. Astra、Sol、Luna 三档模型的能力边界实测

聊完定价逻辑，进入正题。Astra、Sol、Luna 这三个名字在圈子里被讨论得很多，但大部分讨论停留在"哪个更强"这种笼统层面。我更关心的是：每个模型在什么任务上会突然掉链子。因为选型的关键不是找最强的，而是找"在你这个任务上不会崩"的。

我拿同一批任务分别跑了三个模型，任务覆盖了文本抽取、代码生成、长文档理解、多轮对话一致性、结构化输出这几类。下面是我整理出来的能力边界对照，注意这里的结论是基于我自己的测试集，不是官方跑分，仅供参考。

这张表里最值得说的是"长文档理解"和"多轮对话一致性"这两行。Astra 在长文档上表现稳定，我推测是上下文管理做得更细；Sol 在文档中段偶尔会丢信息，尤其是文档结构不规整的时候；Luna 在超过一定长度后，中段信息基本就"看不见"了。这个特性直接决定了它们适合什么场景。

2.1 Astra 适合什么：需要"想清楚"的任务

Astra 我一般用在两类场景。第一类是需要多步推理且中间结果要复用的任务，比如从一份合同里抽取条款、判断条款之间的冲突、再给出修改建议。这种任务链条长，中间任何一步错了后面全废，所以值得用最稳的。第二类是模糊判断，比如给一段用户反馈打标签，标签边界本身就不清晰，这时候模型的"品味"就很重要。

我印象比较深的一次是做一个专利相关的辅助检索，需要从一堆技术描述里判断哪些和某个技术方向"相关"。这个"相关"没有明确标准，Astra 的判断和人工判断的重合度明显高于另外两个。这种任务你没法用规则去卡，只能靠模型的理解力。

2.2 Sol 适合什么：性价比甜点区

Sol 是我日常用得最多的。原因很简单——它在"大部分任务上不掉链子"和"成本可接受"之间找到了一个很好的平衡点。我把它用在代码生成、中等长度文档处理、多轮客服对话这些场景，实测下来稳定性足够。

但 Sol 有个我踩过的坑：在需要严格保持中间状态的任务上，它偶尔会"跳步"。比如让它做三步计算，它可能把第二步和第三步合并，结果虽然看起来对，但中间过程没法复用。如果你的流水线需要拿到中间结果，这一点要特别注意。我的应对办法是把中间结果显式要求它输出，强制它"说出来"，这样跳步的概率会低很多。

2.3 Luna 适合什么：高频、轻量、可容错

Luna 的定位很清晰——高频、轻量、对错误容忍度高的任务。比如批量文本清洗、简单分类、格式转换、关键词抽取。这些任务的特点是单次调用量大、单次错误影响小、可以事后校验。

我用 Luna 最多的场景是内容预处理。一篇文章进来，先做分段、去噪、语言识别、基础标签，这些用 Luna 跑，成本几乎可以忽略。但要注意，Luna 的输出必须有一层校验，尤其是结构化输出。我遇到过它把 JSON 里的引号写成中文引号的情况，虽然概率不高，但批量跑的时候一定会出现。所以我的做法是：Luna 负责生成，后面接一个轻量校验层，格式不对就打回重跑。

注意：Luna 不适合做"错了就全盘皆输"的任务。它的价值在于把大量简单活干掉，让贵模型只处理真正难的部分。

3. 把三个模型串成一条流水线：我的实际搭配方案

光知道每个模型适合什么还不够，真正难的是怎么把它们串起来。我现在的做法是搭一条三层流水线，每一层负责不同难度的事，层与层之间用结构化数据传递。这套方案我跑了大半年，稳定性不错，下面拆开讲。

3.1 第一层：Luna 做预处理和路由

所有进来的原始内容，先过 Luna。这一层做四件事：清洗、分段、打基础标签、判断任务复杂度。最后这件事最关键——Luna 会给每个任务打一个"复杂度分"，简单任务直接在这一层处理完，复杂任务往上抛。

复杂度判断我用的是一套很朴素的规则：看输入长度、看是否涉及多步、看输出是否要求严格结构。这套规则本身可以用 Luna 来执行，成本极低。我实测下来，这一层能拦掉大概 60% 的请求，直接在这一层解决，成本几乎为零。

3.2 第二层：Sol 做主力处理

被 Luna 抛上来的任务，进 Sol。这一层处理的是"需要一定推理但不需要顶级判断"的任务，比如代码生成、中等文档理解、多轮对话。Sol 在这一层的表现足够稳，成本也在可接受范围。

这一层我有个经验：尽量让 Sol 输出结构化结果。因为结构化结果方便下一层判断，也方便出错时定位。我一般会要求它输出 JSON，并且把推理过程单独放在一个字段里。这样即使最终结果有问题，我也能顺着推理过程找到是哪一步歪了。

3.3 第三层：Astra 做兜底和判断

只有 Sol 明确搞不定、或者任务本身涉及模糊判断的时候，才上 Astra。这一层的调用量最小，但价值最高。我把它用在几个地方：复杂冲突判断、方案取舍、最终质量校验。

质量校验这个用法我特别想推荐。做法是让 Astra 去检查 Sol 的输出，判断有没有逻辑漏洞、有没有遗漏、有没有自相矛盾。这个"二次校验"能把整体错误率压得很低，而因为 Astra 只做校验不做生成，调用量可控，成本也不会失控。

3.4 层间传递的数据格式

三层之间怎么传数据，直接决定了整套流水线好不好维护。我的做法是定义一个统一的中间格式，大概长这样：

{ "task_id": "xxx", "raw_input": "...", "cleaned_input": "...", "complexity": "low|mid|high", "stage": "luna|sol|astra", "intermediate": {}, "final_output": {}, "confidence": 0.0, "need_review": false }

这个格式的好处是每一层只关心自己需要的字段，不用管别的。confidence字段是让模型自己打的，虽然不一定准，但作为一个参考信号很有用——低置信度的结果我会单独捞出来人工看。

提示：中间格式一定要提前定好，不要边跑边改。我早期就是因为格式一直变，导致日志没法对比，排查问题特别痛苦。

4. 选型时最容易踩的四个坑

聊完方案，说几个我实际踩过的坑。这些坑在官方文档里基本不会写，但每一个都让我多花了不少时间。

4.1 用单点测试代替分布测试

最常见的错误是拿几个样例跑一下，觉得"效果不错"就定了。但模型的表现是有分布的，几个样例根本代表不了整体。我现在的做法是准备一个至少 100 条的测试集，覆盖各种边界情况，跑完看通过率和错误分布，而不是看几个样例。

4.2 忽略输出格式的稳定性

低价模型在格式稳定性上普遍弱一些。我遇到过 Luna 在批量输出 JSON 时，偶尔会多一个逗号或者少一个引号。单次看没问题，批量跑就崩。解决办法是在流水线里加一层格式校验，不通过就打回重跑，重跑还不行就升级到 Sol。

4.3 把"便宜"当成唯一指标

只盯着单价选模型，最后往往更贵。因为便宜模型出错率高，你需要更多的重试、更多的人工校验，这些隐性成本加起来可能远超省下的那点钱。我的经验是算单次成功任务的总成本，而不是单次调用的价格。

4.4 忘了给模型"退路"

流水线设计里一定要有"升级"机制。Luna 搞不定的升 Sol，Sol 搞不定的升 Astra。没有退路的话，一旦某个模型在某个任务上崩了，整条线就卡住了。我现在的做法是每一层都设一个置信度阈值，低于阈值自动升级。

5. 一套可复现的搭配模板

最后给一套可以直接抄的模板。这套模板我用了很久，改改就能适配大部分场景。

5.1 任务分类规则

先把任务分成三类，规则很简单：

• 输入短、输出要求明确、不涉及多步 → 归 Luna
• 输入中等、涉及推理、输出可结构化 → 归 Sol
• 输入长或涉及模糊判断、取舍 → 归 Astra

5.2 调用参数建议

温度这块我的经验是：Luna 用低温度（0.1 到 0.3），保证稳定；Sol 用中低温度（0.3 到 0.5），兼顾稳定和灵活；Astra 可以用稍高一点（0.5 到 0.7），让它有判断空间。当然具体还要看任务，代码生成温度要更低，创意类可以更高。

5.3 监控指标

跑起来之后，我盯三个指标：各层调用量占比、升级率、最终通过率。如果 Luna 层占比突然下降，说明任务变复杂了；如果升级率飙升，说明低层模型扛不住了；如果通过率下降，说明整体质量出问题了。这三个指标能帮你快速定位问题出在哪一层。

5.4 一个完整的调用示例

def route_task(task): complexity = luna_judge(task) if complexity == "low": result = call_luna(task) if result.confidence < 0.7: result = call_sol(task) elif complexity == "mid": result = call_sol(task) if result.confidence < 0.6: result = call_astra(task) else: result = call_astra(task) return result

这段代码的核心就是置信度驱动的升级。每一层都给自己打个分，分不够就往上走。这套逻辑简单，但非常有效。

我在实际使用中发现，真正决定这套方案好不好用的，不是模型本身，而是你对任务的拆解够不够细。拆得越细，路由越准，成本和质量就越容易同时拿到。反过来，如果任务本身是一团乱麻，再好的模型组合也救不了。所以如果你刚开始搭，我的建议是先花时间把任务拆清楚，再考虑用哪个模型。