下一段路：建立跨模型家族的 AI 实践

前五章是在建立论证。现在要说的是：接下来到底该怎么做。

阻力是真实的

Gartner 2025 评估显示，只有 15% 的 IT 应用负责人正在考虑、试点或部署完全自主的 AI 智能体。这个数字说的是自主智能体，不是广义 AI 部署（大多数组织已经在某种程度上使用 AI），但它反映出多智能体采用还很早。Tray.ai 企业调研显示，安全顾虑仍然是最大障碍，53% 的领导者和 62% 的一线实践者提到了它。

集成复杂度、人才短缺、组织惯性，都让多 AI 采用比单供应商搭建更难。连接多个提供商意味着多个 API 契约、认证系统、调用频率限制、错误处理模式。懂多智能体架构的工程师不好找。说服组织给“现在也能跑”的单提供商系统增加复杂度，也需要强商业理由。

但这些问题和多云当年遇到的一样。多云运动也经历过供应商锁定担忧、集成复杂度、安全顾虑、组织阻力。它花了 5 到 7 年，从边缘想法走到大约 86% 采用。多 AI 在同一条曲线上，只是更早。

让多模型工作流更简单的工具正在降低集成门槛，比如 OpenRouter、LiteLLM、模型网关。它们还早，但已经让一个任务由一个模型生成、另一个家族审查变得实际可行，而不用重建整套技术栈。

选择正确组合

第 5 章从成本优化角度讲了模型选择：选择足够好且便宜的模型，避免浪费。这一节从战略角度看：哪些模型家族组合，能给你的具体领域提供最好覆盖。

前进方向不是“加更多模型”，而是选择互补的模型家族。不同 AI 家族有不同特征：

视觉和多模态：Gemini、GPT-4o 在图像理解与语言处理结合的任务上领先。如果工作流里有视觉输入，比如文档扫描、图表解读、UI 分析，你需要能原生处理视觉的模型家族。

代码生成和推理：Claude 和 Codex 擅长结构化代码输出、复杂推理链、遵循细致指令。软件工程任务里，这些家族往往能产生更高质量的初始输出。

低成本审查：Qwen、MiniMax，以及其他开源或高性价比模型，可以用较低成本提供独立视角。即使它们在单模型基准上得分更低，训练数据差异仍然让它们在跨系列审查中有价值。

专门领域：针对领域微调的模型在医学术语、法律判例、金融建模这类窄场景里，往往超过通用模型。

最好的多 AI 搭建不是 10 个模型都做同一件事，而是 2 到 3 个模型覆盖彼此弱点。Claude + GPT 组合能用两种训练视角覆盖代码和通用推理。再加 Qwen 或 MiniMax 做第三个审查员，可以低成本增加另一个视角。互补性比单个模型的能力更重要。这就是 第 2 章 集成研究的实际应用。

成熟度模型

基于我在组织里看到的模式和自己的经验，多 AI 采用通常会按这个顺序发展：

等级 0，单模型。一个提供商，手动提示词写作。多数个人和小团队从这里开始。它能处理低风险任务，但模型盲点会限制其输出质量。

等级 1，随意多模型。多个模型，根据任务手动切换。“我用 Claude 写代码，用 GPT 写文案。”没有结构化流程，也没有跨系列审查。它比等级 0 好，因为至少不同任务能获得不同视角，但还没有用多样性来检查正确性。

等级 2，结构化流水线。把跨系列审查内建进工作流。不同流水线阶段使用不同提供商。任务间的依赖关系强制了流程，不能跳过审查步骤。我做的 Claude Code 插件 Dev Buddy 就在这个等级。每个阶段可以使用不同提供商，而流水线结构让审查步骤不会被悄悄删掉。

等级 3，自动选择。系统知道什么任务类型该用哪个模型家族，并据此路由。选择依据包括任务特征、历史分歧模式、跨系列审查曾经在哪些地方抓到最多错误。路由服务的是智能目标，也就是为任务拿到正确的多样视角，而不只是做负载均衡。

等级 4，自我优化。系统会学习哪些模型组合对哪些任务类型产生最好的挑战模式。它们追踪哪些跨系列分歧会变成真正修正，哪些只是噪音，然后调整集成。今天这大体还停留在理论层面。

多数组织在等级 0 或 1。等级 2 和 3 的工具已经存在。等级 4 是前沿。

实践下一步

个人：从第二意见开始。任何重要输出都用两个不同 AI 提供商。Claude 写，GPT 审，或者反过来。订阅用户增加第二个订阅的边际成本相对低。API 用户要计算额外调用，但记住审查通常比生成便宜，因为输入更短，输出是判断而不是完整创作。记录跨系列审查抓到了哪些原本会漏掉的错误，这些数据会成为扩大实践的依据。

团队：把跨系列审查设成流程要求，而不是可有可无的加分项。用 Dev Buddy 这类工具从结构上强制它执行，避免截止日期压力下被跳过。跟踪采用前后的错误率。前后对比数据是内部推广多 AI 实践最有力的证据。先从风险最高的工作流开始，再逐步扩展。

企业：审计 AI 模型集中度。多少关键工作流只经过单一 AI 家族，没有反对视角？识别相关错误会造成最大损害的地方。用 第 5 章 的 ROI 数据和 第 4 章 的风险数据建立商业理由。先做一个试点：选最高风险工作流，加上跨系列审查，测量它抓到了什么。

我们还需要哪些证据

这个系列提出了一个强论证，但诚实起见必须承认缺口。研究社区还没有提供：

在相同任务、受控成本和延迟约束下，比较同系列与跨系列多智能体系统的直接对比基准。这是最关键的缺失证据。

最优组合研究：哪些具体模型家族配对，在什么任务类型上互补性最好。现在的实践大多仍是经验性的，基于轶事而非数据。

执行顺序实验：用同一任务和完整成本核算，比较路径 A（昂贵模型生成、便宜模型审查）与路径 B（便宜模型生成、昂贵模型审查）。

跨系列相关性分析：测量不同模型家族的盲点在实践中有多独立。对闭源模型来说，这可能需要黑盒测试。

长期成本收益数据：用数月或数年的数据衡量多 AI ROI，而不是从单个任务对比推断。

这些缺口不会推翻论点。逻辑论证和类比证据已经很强。但最强的主张在直接证据到来前仍然是推断。我宁愿把这一点说清楚，而不是假装证据比实际更完整。

一种思考方式

我做的工具，Dev Buddy 用于结构化流水线，OpenHive 用于层级式多智能体团队，都是跨系列想法的实现。但这个想法不依赖某个具体工具，也不依赖某个提供商。严格说，它甚至不依赖 AI。

来自多样来源的独立视角，比未经质疑的单来源分析更能产生好结果。医学已经明白了，法律已经明白了，科学也已经明白了。AI 正在追上。

59% 的开发者已经并行使用三个或更多 AI 工具。Gartner 报告说，从 2024 Q1 到 2025 Q2，多智能体系统咨询量增长了 1,445%。不管我们是否有一套理论，行业都在走向多 AI。

你可以有意识地走过去：有一套决定哪些模型组合的框架，也有一套让它们一起工作的策略。或者你可以临时拼凑，边走边撞。

我知道我会押注哪一种。