便宜只有在复核成本低时才是真的便宜
低价 Agent 可能适合内部摘要或分类，但如果人工需要大量修复输出，或要承担可避免的失败风险，它就不一定便宜。
- 比较完整工作流成本，而不是只看 token 或订阅价。
- 每次试点至少用一个高阶模型做质量基线。
- 退款、合规、法务抽取不要先按成本优化。
性价比模型适合哪里
偏性价比的 Agent 常适合草稿、标签、路由和内部备注。只要输出会直接触达客户或自动进入系统，就需要更强边界。
简单决策规则
选择能达到任务质量下限、且严重失败可接受的最低成本 Agent。如果人工修复负担上升，表面节省可能会消失。
排行榜应该怎么读
排行榜解读里的名次只回答“在这批任务和设置下谁表现更好”。它不能直接回答“谁一定适合你的业务”。更稳妥的读法，是同时看总分、语言分、任务类型、严重失败率、格式通过率和成本档位。
- 总分用于快速排序。
- 语言和任务类型用于缩小候选。
- 严重失败率用于决定是否需要更强人审。
什么时候不要相信第一名
如果第一名的优势主要来自你不使用的语言或任务类型，它可能不是你的最佳选择。比如一家只做中文客服的团队，不应该让英文写作分数主导采购；做结构化抽取的团队，也不应该只看自然语言回答质量。
上线前检查清单
把排行榜结果用于生产前，建议至少完成一次小规模复测。复测不需要复杂系统，但要覆盖真实输入、边界案例和失败后的处理方式。
- 是否有明确的人审和升级规则？
- 是否记录了模型版本和评测日期？
- 是否知道哪些输出不能直接发送或写入系统？
- 是否准备了失败后的回滚或人工接管方案？
读者可以马上做的下一步
如果你正在评估排行榜结果，可以从 10 条真实样本开始：3 条普通案例、3 条边界案例、2 条高风险案例、2 条格式或语言要求严格的案例。让 2 到 3 个候选 Agent 同场运行，再比较输出质量、修复时间和严重失败。