周一早上九点，陈立打开 AI，熟练地把自己惯用的那个最强模型选上，把上个月的销售数据丢了进去。
领导在群里说，下午三点前，把下季度的方案发我。
他等到快五十秒，屏幕上出来了四千多字。措辞漂亮，结构完整，看着很专业。
他把这段贴进 PPT。
下午被退回来了。领导说，这份太长了，我要的是客户能看懂的三页。
陈立三十四岁，在一家贸易公司做市场，写方案、做表、整理竞品，AI 用了一年多。他挑模型的原则很固定，哪个强就用哪个。
直到他翻到 OpenAI 十月二日发的那份指南。
官方说的第一句话，就是别默认用最强
这份指南叫 GPT-6 系列模型指南。开头把一句话放在了最前面，按活儿选模型。
他们说不必默认挑最强的那个。简单任务交给轻量模型，通常更快也更便宜。
指南里把几个模型的分工列了出来。
GPT-6 Astra 留给难度最高的推理，要它出力的时候才值得请。GPT-6.1 Sol 接的是复杂编程、研究和让电脑自己动手的活儿。GPT-6 Luna 管的是量大又明确的重复工作，比如从发票里抠字段、给请求分类、把零散内容压成一段结构化摘要。
陈立对上号了。他那些写周报、改邮件、归纳会议的活儿，本来就在 Luna 的射程里，他一直拿 Astra 去干。
贵的那个，不一定交得快
强模型的代价在两个地方，时间和钱。
推理强度拉满，等的就是那几十秒。你盯着它转圈，活没往前走。账单又按用量算，用重模型处理琐事，钱和时间都花得冤。
选模型背后是一道成本题。同样一句话，交给重模型处理，消耗的算力是轻模型的几倍，等待时间也更长；平台按用量收费，用户按时间付账，两边都得算。用错了档位，多花的钱还是小事，等出来的那几十秒，一天攒下来就不是小数。
指南提的第二个点是提示词。
与其把步骤写得又长又细，不如先把三件事说清楚，你想要什么结果、这东西给谁看、有哪些不能动。
再往下是五个要素，目标、受众、相关背景、限制条件，以及什么算完成。还有一句提醒，要告诉模型哪些事它可以自己定，什么时候得回来问你。
第三点关于推理强度。指南说日常问答、改文案、列提纲这类活儿，把强度拉到最高多半是浪费；只有需要它反复推演、试错、查证的场景，多花的那点时间和额度才算值。这一段放在文档靠后的位置，很多人可能翻不到，可它大概是整份指南里最省钱的一页。
他照着改了两处
第一处是选模型。写周报、整理会议、改邮件，他换成了 Luna。要啃竞品财报、做跨表格分析，才切回重的那一个。
第二处是提示词。他以前习惯把要求拆成十几条，现在改成先写清三行，要什么、给谁、不能动什么，末尾补一句什么算完成。
变化是看得见的。写周报从等四十秒变成等八秒，出来的东西短了，但基本能直接用。
他愣了下。
陈立后来把那半天算了算。等他挑好模型、写好提示词、拿回一份能直接用的东西，前后不到二十分钟；而那天早上，他在最强模型上花掉的四十分钟，最后换来的是一份被退回的稿子。同一件事，差的就是开头那三秒的选择。
挑工具这件事，多数人从来没挑过
陈立说他用了一年多 AI，从来没认真看过模型列表。默认给什么就用什么，或者凭感觉挑那个名字最响的。
这份指南让他第一次意识到，工具摆在那儿，怎么用是有讲究的。
他后来把模型列表从头看了一遍，发现每个名字后面都跟着一行小字，写着它擅长什么、适合什么场景，这些字他以前从来没有点开看过。
没点开过。
你手里的 AI 也是这样。同一个产品，不同档位，速度和力气差得不少。多数人从来没调过那一栏。
就这么点差别。
他在群里把这件事说了。有个做数据的老同事回他，说你才知道。
那人早就不挑最贵的模型了，日常的活儿全用轻的，只有月底做复盘才切一次重的。陈立问他不怕答得浅。对方说，浅不浅得看活儿，写周报要的是把事说清楚，让模型陪你聊战略那部分，本来就得自己来。
他没接话。
陈立现在开 AI 之前，会先花三秒想一句，这活儿要快还是要深。
想清楚这句，比多写三百字提示词管用。
你平时用 AI 最多的活儿是什么，写方案、做表还是查资料。