花800块跑了900亿Token：Kimi做设计、GLM干活、DeepSeek审计、豆包管图片，这套国产AI组合到底值不值

一个月前我把所有AI工具都换成了国产的。

原因很简单：OpenAI和Anthropic的API账单实在扛不住了。我同时用ChatGPT、Claude和Gemini处理日常的设计、编程和文档任务，一个月轻轻松松三四千块。一个朋友跟我说，国产AI在细分能力上已经拉得很近了，搭配着用效果不差，成本能砍到五分之一。

我花了整整一个月实测。结果比我预想的有意思得多——Kimi的审美确实能打，但慢到让人抓狂；GLM-5.3 Flash性价比高得离谱，但踩的坑也离谱；DeepSeek做代码审计能发现问题，但误报多到你需要自己过滤；豆包的图片分析是意外惊喜。

这套方案总共花了800块，跑了900多亿Token。下面是我踩过的坑和总结出来的实操经验。

GLM干活：800块跑900亿Token，但别让它碰UI

GLM-5.3 Flash是我这个月用得最爽也最气的工具。

先说爽的。智谱的活动期间，我花了800块人民币跑了900多亿Token。这个量级换算成Claude或GPT的API，至少是五位数。GLM-5.3 Flash的定价本身就是GLM-5.3的1/10，限时折扣期间是1/20。混合价格每百万Token只要$0.10，而GLM-5.3要$0.90。

它在编程执行上的表现对得起这个价格。智力水平在Artificial Analysis上拿57分，GLM-5.3是60分，差距只有3分。我把Kimi出的设计计划拆成任务池，派多路后台子智能体并行开发，完成一项立马派下一项，每完成10项自动派审计子智能体加入。这套流程跑起来效率很高。

但踩的坑也很硬。

第一，GLM-5.3 Flash的推理速度不稳定。通过OpenRouter使用时，吞吐量在每秒4到60个Token之间波动，做日常编码经常太慢。有一次我让它改一个Kotlin微服务里的请求大小限制，一个应该几分钟完成的任务，它陷入推理循环，消耗了81.3万输入Token，一行代码没写出来。

第二，长时间会话下它会“退化”。我用它跑多Agent编码工作流，跑了几个小时后，模型突然开始在推理中输出重复的低熵内容，类似“!!!!!”的循环。这不是偶发，有多个开发者在HuggingFace和GitHub上报告了同样的问题。

第三，别用它做UI设计。社区里有人试过，GLM-5.3 Flash做前端生成的页面“细节多但bug也多，车都能倒立开”。我亲自验证了这条，让它照着Kimi的设计稿写组件，出来的东西能用但颜值掉了两个档次。

我目前的应对方式很简单：给GLM-5.3 Flash的会话设时间上限，超过两小时就开新会话，重新加载任务上下文。 批量任务拆小，每次交给它的活控制在合理范围内，不搞马拉松式长会话。

DeepSeek审计：能发现真bug，但你要自己过滤误报

代码审计这个环节，我一开始想省掉。让GLM自己写自己审，逻辑上说得通。

但实际跑了两周之后我改了主意。GLM-5.3 Flash在长会话中的退化问题意味着，它自己写的代码，它自己未必能审出问题——因为审的时候它可能已经处于“半退化”状态了。

DeepSeek V4.1 Flash接入了审计环节。我用WorkBuddy和Trae的免费额度就够覆盖这部分需求。

它确实能发现问题。 我故意在测试代码里埋了几个典型漏洞：一个SQL注入点、一个未校验的用户输入直接拼接到文件路径、一个并发场景下的竞态条件。DeepSeek V4.1 Flash全部发现了，还给出了具体的修复建议。

学术研究的数据也支持这个结论。一项系统性基准测试显示，DeepSeek-R1在漏洞检测上的平均F1-score达到63.10%，显著高于DeepSeek-V3的46.47%。另一项针对代码审计Agent框架的研究，在成本、效率和效果三个维度对比后，最终选择了DeepSeek-V3.2作为最具性价比的方案。

但误报率是个真实问题。 多项研究指出DeepSeek V3在检测漏洞时“表现出最高的假阳性比例”。我自己跑的时候也发现了，一些正常的业务逻辑代码会被标记为“潜在风险”。

审计提示词怎么写很关键。我用的是：“你是一个安全专家，严格分析以下代码，检查是否存在安全漏洞。请详细分析漏洞类型、触发条件和修复建议，只报告你确信存在问题的位置”。最后那句“只报告你确信存在问题的位置”很重要，能过滤掉一批低置信度的误报。

豆包管图片：多模态是意外的惊喜

豆包在这个组合里的角色最轻松——图片分析、照片点评、视频生成、浏览器操作。

我原本对它没抱太高期待。毕竟字节的多模态能力虽然强，但跟GPT-6 Astra和Gemini 3.7 Flash比，差距理论上还是存在的。

实际用下来，豆包在给照片写解读点评这件事上，确实是我试过的所有工具里最好的。我传了一组风光摄影照片让它分析构图和色彩，它给出的点评比我用过的几个国外模型更细致，而且中文表达更自然。

数据上也有支撑。中文视觉大模型评测中，豆包以90.66分拿下总榜第一，超越谷歌Gemini-3.1-Pro-Preview的89.35分。在基础认知环节得分82.70，甚至超越了部分国际竞争对手。图片识别准确率方面，APP端实时拍照在理想条件下达98%，网页端深度解析达99.2%。

不过手写体识别会掉到85%左右，低质量图片会降到60%以下。抽象场景的视觉推理稳定性也偏弱。日常使用够，别拿去处理需要高精度识别的专业场景。

这套组合到底花了多少钱

直接上账单。

GLM-5.3 Flash：800元人民币（活动期间，约900亿Token）。Kimi K3：通过Mira平台赠送积分和每日登录积分体验，额外API调用约50元。DeepSeek：WorkBuddy和Trae免费额度覆盖，0元。豆包：全模态基础功能免费，0元。

总计约850元，一个月。

如果我把同样的任务量交给Claude和GPT-6，按我之前的用量估算，至少3000到4000元。成本砍了将近八成。

这套方案适合什么人？适合有明确任务分工、愿意花时间配置工作流的重度用户。 如果你只是偶尔问AI几个问题，没必要搞这么复杂。如果你每天要处理大量的设计、编程、审计和图片分析任务，这套组合能帮你把成本压到最低。

不适合什么人？不适合想一键搞定所有事的新手。 四款工具之间的交接、任务池的拆分、审计环节的嵌入，都需要你自己搭流程。GLM-5.3 Flash的退化问题、Kimi的输出速度、DeepSeek的误报，都需要你有一定的判断力去过滤和调整。

这套方案的核心逻辑不是“哪个AI最强”，是“每款AI在哪个环节最划算”。Kimi的贵和慢，换来的是顶级的审美和架构规划能力，值得把它用在最需要创造力的第一步。GLM的便宜和快，适合承接大批量、可验证的执行任务。DeepSeek的审计能力补上了质量控制这个环节。豆包的多模态免费额度，把图片和视频处理这块的成本降到了零。

四个工具拼在一起，每个都在做自己最擅长的事，而且总成本比单个旗舰模型低得多。这大概就是国产AI目前最务实的用法。