模型与推理强度

不要只追求最大模型

复杂架构调查、长链路错误和高风险审查通常受益于更强推理。简单格式修改、确定性重命名和短查询则可以选择更快配置。

模型名称和可用设置会更新。教程中的 gpt-5.6 是当前推荐系列示例，生产系统应通过配置集中管理，并在升级前用真实任务集回归。

• 按任务难度而不是用户身份选择模型。
• 用评测比较正确率、延迟和成本。
• 高推理强度留给不确定性高的步骤。
• 重要任务保留模型和配置记录，便于复现。

建立模型升级门槛

先收集代表性任务、期望结果和失败模式，再比较新旧模型。只看几个顺利案例无法证明升级安全。

升级时同时检查提示词、工具 schema、结构化输出和超时设置，因为模型变化可能放大隐藏假设。