[鸭哥 AI 手记] 2026-04-09

> 最贵的模型放在最错的位置，比最便宜的模型放在最对的位置还差。同一个道理，$3B 的 AI rollup 赌注赌的也是同一件事：技术够用了，瓶颈在于谁有权力把东西放到对的位置上。

懒人包：AgentOpt 论文用 81 种模型组合证明 Opus 做 planner 排名倒数，Ministral 8B + Opus 的准确率是纯 Opus 的两倍以上，成本低 13-32 倍。同一天，鸭哥写了 AI Rollup 调研：GC 和 Thrive 投了超过 $3B 买传统服务企业的控股权，因为 80% AI 项目失败的根因全是组织性的，零条是技术性的。两件事指向同一个判断：当能力过了及格线，优化目标从"用什么"变成了"放在哪"。

最强模型做最差组件：一个反直觉的实验

搭 agent 管线时，大多数人的默认直觉是关键环节上最强模型。鸭哥昨天写了一篇完整分析，起点是微软研究院和哥伦比亚大学合作的 AgentOpt 论文（arXiv:2604.06296）。他们在 HotpotQA 上测了 9 个模型、81 种组合，结论很扎心：Claude Opus 放在 planner 位置，准确率 31.71%，在全部 81 种组合中排名倒数。把 Ministral 8B 放 planner、Opus 放 solver，准确率到了 74.27%。

为什么？Opus 做 planner 时太"聪明"了，它直接跳过工具调用自己回答问题。7/9 次 solver 根本没被激活。一个参数量大一个数量级的模型，反而因为不肯老实委派任务，破坏了整条推理链。Ministral 8B 表现好，恰恰因为它知道自己回答不了，老老实实拆解任务、调用工具、交给下游。

群里郝小贱引用了论文数据后感叹了一个"额。。。"。数据确实在说：在 agent 管线里，模型的"听话程度"比"聪明程度"更决定整体表现。成本端更夸张：在 BFCL 上 Qwen3 Next 和 Opus 准确率一样是 70%，成本差 32 倍（AgentOpt GitHub）。这个差距靠优化推理引擎补不回来，选错模型组合，后面做什么都在多花钱。

这个发现和近期多项独立研究方向一致。Stanford 的 Meta-Harness（arXiv:2603.28052）发现仅优化模型周围的 harness code，同一个模型的得分能产生 6 倍差距。模型没换，提示词没换，改变的只是模型被放在什么样的工作环境里。W4S 让弱模型为强模型设计工作流，结论类似。崔富泽在群里分享了 DROID Mission 的案例，100 万行零人工代码背后是 5 层 harness 设计，也指向同一个方向。

趋势清晰：当模型足够强时，系统设计层面对结果的边际贡献开始超过模型能力升级本身。

对 builder 的实际含义：对你的管线做一次低成本测试，把 planner 或 orchestrator 换成一个小模型，看性能是否显著下降。如果没有，你正在为一个用不上的能力等级付 13 到 32 倍的溢价。AgentOpt 已经开源（pip install agentopt-py），框架无关，通过 HTTP transport 拦截适配 LangChain、CrewAI 等现有 agent，改动量接近零。

---

$3B 赌的是谁有权力重组流程

同一天鸭哥发了另一篇调研，关于 AI Rollup。General Catalyst 从 $8B 基金中划了 $1.5B，Thrive Capital 部署超过 $1B，赛道总资本已过 $3B（Capital Founders）。做法很直白：收购传统服务企业（客服、法律、IT 运维），拿控股权，然后用 AI 替换 30-70% 的重复性人力，把 EBITDA margin 从 15-20% 推向 30-40%。

Crescendo 是目前最典型的案例。20 人的 AI 团队收购了 3000 人的 PartnerHero，一夜获得 200+ 客户，Series C 估值 $500M。Thrive 走得更远：OpenAI 研究人员直接嵌入被投企业的工程团队，为每家公司定制模型。Sequoia 合伙人 Julien Bek 提了一个互补论点：企业每花 $1 在软件上，就花 $6 在服务上，AI 现在有能力去捕获那 $6（Sequoia）。

交易数字引人注目，但鸭哥在文章中提炼的更深层判断是：AI 落地的真正瓶颈在组织执行权。RAND 发现超过 80% 的 AI 项目失败，五大根因全是组织性的。零条是模型不够聪明（Talyx）。BCG 的数据更尖锐：只有 5% 的企业实现了 AI 的规模化价值，那 5% 几乎都有一个深度参与 AI 的一号位。

GC 选择控股而不是咨询，本质是在买 enforcement gap 的价值。咨询顾问可以写出完美的 AI 转型路线图，但碰到需要缩减编制、重定义中层权限的决策时，没有控制权就只能写建议、等续约。GC 的 Marc Bhargava 说得很明确（Sourcery）：Fortune 100 的 AI 变革常常失败，根因在执行层。

这和 AgentOpt 的发现在抽象层面是同一件事。Opus 做 planner 失败，是因为能力太强反而突破了角色边界。企业 AI 项目失败，是因为技术方案的能力方向和组织执行权的方向不匹配。解法也类似：找到约束条件下最匹配角色需求的资源，而非用最强的资源填所有位置。

Klarna 是反面教材：2023 年裁掉约 700 名客服人员用 AI 替代，到 2025 年中期全面逆转，问题解决时间增加 27%，客户不满增长 35%（LaSoft）。CEO 自己承认过度追求效率忽视了质量。

群里大铭分享了一个企业惯性的生动案例。他在高考志愿填报行业，张雪峰出事后获客成本从每单 130-150 元骤降到 70-80 元，竞对 IP 直播间在线人数从 400 涨到 1500。但他随即指出，从张雪峰退单来的客户带着对 90 分交付的预期，而行业均值只有 70 分。效率端的改进很容易获取，改变组织如何消化和交付这些改进，才是真正卡人的地方。

---

也值得知道

OpenAI 也有一个"太危险不敢发"的模型：Anthropic 发布 Mythos 限制访问两天后，Axios 报道 OpenAI 正在做同样的事。GPT-5.3-Codex 被描述为其网络安全能力最强的模型，将通过 Trusted Access for Cyber 试点向少数公司限量开放，附带 $1000 万 API credits（Axios）。两家前沿实验室同一周选择限制发布，AI 能力的分发方式正在从"谁都能用"向"有资质才能用"转变。

HuggingFace CEO 硬刚 Mythos 安全叙事：Clement Delangue 称团队用小型开源模型测试了 Anthropic 展示的所有安全漏洞案例，8/8 都检测到了相同问题，直接质疑"只有最强闭源模型才能做安全审计"的前提。Anthropic 同期还被曝出源码泄露事件，Delangue 讽刺"拥有最强网络安全模型的公司自己代码仓库安全都做不好"（TechCrunch）。

Codex 额度缩水引发讨论：群里 RX 反映 200 美元 Codex plan 明显不如之前耐用，此前的 2x 额度加成已取消。于帆报告 GPT 5.4 频繁出现 capacity 错误。哞感慨去年还在把 token 成本当第一大问题，今年 200 美元"什么干不了"。token 从稀缺资源变成大宗商品的速度，比大多数人预期的快。

---

本期素材来自 AI Builder Space 社群讨论与公开 AI 行业信息的交叉验证。

本文由AI综合领域调研和微信群聊自动生成。请注意甄别幻觉。

订阅本 newsletter：yage-ai.kit.com