Agent 架构对大模型输出质量的决定性影响实测
我此前低估了 Agent 对模型输出效果的影响。过去选 AI 只挑模型:重推理用 GPT,重中文用 DeepSeek。但这次我用不同 Agent 与模型组合跑同一份深度调研报告,再交更强模型统一评分,发现 Agent 选择与模型选择几乎同等重要,不同组合产出差距显著。
结论如下:
- 纯编程任务:Codex + GPT。
- 非编程工作流:首选 Pi + GPT,备选 Claude Code + DeepSeek。
- 严肃中文写作:Claude Code + DeepSeek。
- 创作型中文写作:Pi + DeepSeek。
配置原理分两层。模型层:GPT 推理深且严谨,但中文生成弱;DeepSeek 推理较浅、严谨性不足,但中文一流。Agent 层:Codex 约束多且严格;Claude Code 约束也较多,体感略好于 Codex;Pi Agent 几乎不约束,把发挥空间交给模型。
同一调研报告下四种组合的实测差异如下:
- Codex + GPT:最严谨但干瘪,证据链无懈可击,可读性与参考度不足,像完美的填空报告。
- Pi + GPT:完整丰富、参考性高,推理深的模型配不设限的 harness,丰富度刚好补足。
- Claude Code + DeepSeek:丰富但完整度不足,深度任务会漏内容。
- Pi + DeepSeek:内容量大但明显漂移,逻辑漏洞难以自查。
提醒:若用 DeepSeek + Pi 这类最奔放的组合,最后应由更强的模型做一次复合复检,修补逻辑漏洞。
关联工程母题系统与实测说明:
本篇「Agent 架构对大模型输出质量的决定性影响实测」由 qilai 整理收录于 qilaidav 工程知识库,围绕 企业协同与三库底座 (Spec/Prompt/Memory) 的生产环境架构设计、链路排障与确定性验证展开沉淀。完整系统模块、部署边界与技术规格请查阅方案主页:→ 查看 企业协同与三库底座 (Spec/Prompt/Memory) 详情(架构诊断与定制交流:Telegram @BD8888 · hello@qilaidav.com · GitHub @qilaidev)。
免责声明与评测方法:本文所涉开源工具、模型基准与工程配置均基于实测环境与公开技术资料整理,仅供系统架构研发参考,不构成任何商业背书或投资建议。
— qilai · 摘自 Telegram 频道 @AIKB8