夜雨聆风龙虾还是一个好玩的玩具，玩了几天就卸载了，开始专心搞Vibe Coding
最近被网上一篇文章震到了——有人用"田忌赛马"的思路做AI编程，不追顶配模型，而是用组合拳打出最高性价比。
我越看越觉得，这不就是我最近在干的事吗？
我现在日常用的是三套AI编程工具：
- 顶配模型
Claude Code + claude-opus-4-6 - 中等模型
Trae CN + GLM-5.1 - 入门模型
CodeBuddy + KIMI-2.5
说实话，一开始我也觉得"当然全用顶配啊"。但用了一段时间后，我发现：不是所有任务都值得上Opus，也不是所有任务都只配用KIMI。
关键在于——你会不会排兵布阵。
今天这篇文章，我就把自己这段时间的实战心得和踩过的坑，全部分享出来。
一、三匹马各有什么本事
先说清楚，我这里说的"上中下马"不是贬义，而是不同任务适配不同能力的意思。就像田忌赛马里，每匹马都有它的位置。
上马：Claude Code + Opus 4.6
这是我目前用过最强的AI编程组合，没有之一。
强在哪？
架构设计能力极强，能理解几十个文件的复杂项目 代码风格一致性好，不会写出"一人写一半"的感觉 长上下文理解强，大项目里不会迷路 交互式编程体验好，能自动执行命令、修bug
弱在哪？
贵，真的很贵 响应速度相对较慢 对中文语境的理解有时不如国产模型
什么时候用？ 项目架构设计、复杂bug修复、长链路重构
中马：Trae CN + GLM-5.1
这是字节的Trae编辑器搭配智谱的GLM-5.1，性价比很高。
强在哪？
中文理解能力好，中文需求描述不会"翻译腔" 响应速度快，简单任务秒出结果 Trae编辑器集成了Builder模式，适合快速搭建项目 免费额度够日常使用
弱在哪？
复杂项目上下文理解不如Opus 代码风格偶尔不够一致 超长代码生成时偶尔会"断片"
什么时候用？ 快速原型、CRUD代码生成、中文文档编写
下马：CodeBuddy + KIMI-2.5
CodeBuddy搭载月之暗面的KIMI-2.5，是我的"轻量级选手"。
强在哪？
启动快，随叫随到 简单修改、格式调整这类任务效率高 对中文场景优化好 成本极低，几乎不心疼
弱在哪？
复杂逻辑理解能力有限 大项目上下文窗口较小 架构级任务力不从心
什么时候用？ 简单bug修复、代码格式化、注释生成、快速验证想法
二、我的田忌赛马实战
理论讲完了，说说我是怎么排兵布阵的。
场景一：开发一个新项目
以前的我：打开Claude Code，从头到尾全用Opus写。
现在的我：
算笔账：一个项目假设有100个编码任务，以前全用Opus大概花费$50。现在大概30个任务用Opus($15)，40个任务用GLM($2)，30个任务用KIMI($0.5)，总共$17.5。
省了65%的成本，代码质量反而更高——因为每个任务都用了最擅长的模型。
场景二：Debug一个线上事故
这种场景最能体现"田忌赛马"的价值。
步骤一：快速定位 → 用CodeBuddy + KIMI
把错误日志扔进去，让它快速分析错误类型 简单的空指针、类型错误，KIMI直接就能修
步骤二：深度分析 → 用Trae CN + GLM-5.1
如果KIMI修不了，升级到GLM-5.1 它能理解更多上下文，分析框架层面的问题
步骤三：终极修复 → 用Claude Code + Opus
如果GLM也搞不定，才上Opus 复杂的并发问题、架构缺陷，Opus能搞定
核心思路：先派下马试探，不行再升级。就像田忌赛马一样——不是每局都要用上马，而是让每匹马都发挥最大价值。
场景三：写公众号文章（对，就是这篇）
你可能没想到，写文章也是田忌赛马：
- 选题 & 大纲
Claude Code + Opus —— 需要深度思考和结构化 - 素材搜集
CodeBuddy + KIMI —— 快速搜索，整理要点 - 初稿撰写
Trae CN + GLM-5.1 —— 中文生成流畅，速度快 - 深度修改
Claude Code + Opus —— 关键段落需要更好的逻辑和表达
三、三个模型的真实对比
我用一个表格总结一下三套组合的特点，都是真实使用感受：
关键发现：没有哪个模型在所有维度都是第一。Opus编程能力最强但最贵最慢，KIMI最便宜但对复杂任务力不从心，GLM-5.1在中间找到了一个很好的平衡点。
这正是田忌赛马的前提——如果有一个模型什么都是第一，那就不需要策略了。
四、模型路由：让AI自己当教练
手动分配任务虽然有效，但确实有点累。好消息是，AI模型路由这个方向正在快速发展。
| RouteLLM | ||
| Semantic Router | ||
| RoRF | ||
| Martian | ||
| Not Diamond |
我的实际做法是把经验沉淀成简单的规则路由：
如果 任务涉及架构/重构 → Claude Code + Opus如果 任务是CRUD/模板代码 → Trae CN + GLM-5.1如果 任务是简单修改/文档 → CodeBuddy + KIMI如果 不确定 → 先用GLM-5.1试探，搞不定再升级就这么简单的几条规则，已经帮我省了至少50%的API费用。
五、我的观点：田忌赛马的三个层次
第一层：手动分工（我目前在这层）
人肉判断任务类型，分配给不同模型。
优点：可控、灵活，能根据实际情况调整缺点：需要经验，有判断错误的风险
第二层：规则路由（我正在过渡到这层）
把经验沉淀成规则，半自动化执行。
优点：减少决策疲劳，新手也能用缺点：规则维护成本高，边界情况处理不好
第三层：智能路由（未来方向）
用机器学习自动学习最优分配策略。
优点：效率最高，效果最好缺点：需要数据积累，技术门槛高
我的判断：目前大多数人还在第一层，但向第二层过渡的时机已经成熟了。你只需要把我上面那个简单的if-else规则落地，就能立刻感受到效率提升。
六、给开发者的三点建议
1. 别再纠结"哪个模型最强"
Opus编程最强但贵，KIMI最便宜但能力有限，GLM-5.1性价比最高但不是每个场景都最合适。真正的问题是：这个任务，该派哪匹马上场？
2. 建立自己的模型使用笔记
我用一个简单的表格记录每个模型在不同任务上的表现。你不需要很复杂的系统，就记三列：任务类型、用了什么模型、效果打分。
3. 先用便宜模型试探，不行再升级
这是我最重要的经验：大多数你以为很难的任务，中等模型就能搞定。
我统计了一下，过去一个月我接到的编程任务中：
约35%的任务KIMI就能搞定 约40%的任务GLM-5.1能搞定 只有约25%的任务真的需要上Opus
也就是说，如果我全用Opus，75%的算力其实浪费了。
结语
田忌赛马的故事流传了两千多年，核心智慧就一句话：
在资源有限的情况下，用策略弥补实力的差距。
2026年的AI编程战场，模型越来越多，能力越来越强，价格差异也越来越大。真正的差距，不在于你用了多贵的模型，而在于你会不会"排兵布阵"。
我现在每天打开编辑器前，都会想一下：这个任务，该派哪匹"马"上场？
就这么一个简单的习惯，让我每月省了上千块的API费用，代码质量反而更高了。
下次当你无脑打开最贵的AI模型时，不妨停三秒想一想——这匹马，配这个任务吗？
我是南哥，10年全栈工程师，小公司项目经理
喜欢研究新技术，分享技术干货
回复“AI入门”，领取7本AI入门电子书；
回复“AI学习”，领取17本AI必看电子书；