分配架构

多模型世界中的战略资源选择

《分配经济》系列之三（共四篇）

19 世纪，大卫·李嘉图（David Ricardo）提出了比较优势（Comparative Advantage）理论来解释各国为何应该进行贸易。他认为，即使一个国家在生产所有产品方面都比另一个国家更有效率，他们仍然应该专注于自己相对最擅长的领域，并进行专业化分工。

两个世纪后，这一经济学原理在硅基世界找到了新的应用。在“分配经济”中，我们不再用葡萄酒换布料，而是用上下文（Context）换算力（Compute）。

正如我们在第一部分中所确立的，那种价值源于“你所知道的知识”的“知识经济”已经实质上结束了。第二部分探讨了驾驭这一变化所需的人类转型——从“生产者”转变为“管理者”。现在，在第三部分，我们将注意力转向机器本身。

如果你是一名管理者，你到底在管理什么？

我们正从一个由单一、巨型工具主导的世界，转向一个碎片化的、多模型生态系统。成功的“分配架构师”不仅仅会问“我该如何使用 AI？”，他们还会问：“哪种智能——人类还是机器，大型还是小型，昂贵还是廉价——才是这项特定微任务的最佳资源？”

这就是分配架构：将碳基和硅基混合劳动力连接在一起的战略蓝图。

新的比较优势

当今大多数组织犯的根本错误是将“AI”视为一个单一实体——通常等同于 OpenAI 或 Anthropic 的最新旗舰模型。他们是在用大锤砸坚果，或者更糟，用手术刀钉钉子。

为了进行有效分配，我们必须首先绘制出生物智能与人工智能之间的比较优势图谱。

机器的优势：规模、速度与随机性

机器不仅仅是速度更快的人类。它们的优势在于人类认知崩塌的领域：

• 高维模式匹配： 在几秒钟内从数百万份文档中找到相关性。
• 无限的耐心： 模型可以重写一段话 500 次而不会感到沮丧或疲劳。
• 零上下文切换成本： AI 可以在一毫秒内从编写 Python 代码跳到翻译法语诗歌，而不需要人类所需的“热身”时间。

人类的优势：语境、细微差别与责任承担

尽管存在种种炒作，但人类在逻辑的“长尾”领域仍保持着关键垄断。

• 责任护盾（The Liability Shield）： AI 不能被解雇、起诉或承担道德责任。对于需要明确问责制的决策（例如工厂的“紧急停止开关”、医疗诊断的最终签字），人类不仅是有用的，而且在法律上是必要的。
• 深层语境与“氛围感”检查： 大语言模型（LLMs）在统计学上令人印象深刻，但在社交上却近乎“自闭”。它们难以理解潜台词。人类能瞬间意识到，一封技术上正确的电子邮件对一位敏感的客户来说可能显得过于强势。
• 问题定义： AI 擅长解决谜题，但人类擅长构思谜题。任何项目最难的部分通常是决定该问什么问题。

模型矩阵：选择你的工具

一旦你决定将某项任务交给机器，分配的挑战就会加深。我们目前正处于模型权重的“寒武纪大爆发”时期。架构师必须明智地选择材料。

我们可以将当前的模型格局分为“模型矩阵”的三个不同层级：

1. 重装主力（例如 GPT-4, Claude 3.5 Sonnet/Opus）

• 角色： 资深工程师 / 哲学家。
• 用例： 复杂推理、架构规划、创意综合、边缘情况下的代码编写。
• 经济学： 价格昂贵（相对而言）且速度慢。高延迟。
• 分配策略： 谨慎使用。这些是你的“系统 2”思考者。只将最难的 10% 的查询路由到这里。

2. 极速模型（例如 Llama 3 8B, Gemini Flash, Claude Haiku）

• 角色： 实习生 / 文员。
• 用例： 总结、提取、简单分类、情感分析、基础重写。
• 经济学： 极其廉价且极速。
• 分配策略： 分配经济中的主力军。如果一个任务可以由一套严格的规则定义，它就属于这里。

3. 专家模型（例如 微调模型、编码助手）

• 角色： 领域专家。
• 用例： 医疗诊断、法律取证、专有代码库导航。
• 经济学： 成本可变，但增值极高。
• 分配策略： 当通用模型因缺乏特定领域的训练数据而产生幻觉时使用。

推理经济学

在知识经济时代，我们为薪资做预算。在分配经济时代，我们必须为推理（Inference）做预算。

智能的成本正在下降，但并非为零。“Token 经济学”是首席技术官（CTO）和产品经理同样需要具备的新技能。

以客户支持流程为例。

• 方案 A（懒惰分配）： 将每个用户查询都发送给 GPT-4。
• • 成本： 每次交互 0.03 美元。质量很高，但对于“如何重置密码？”这类问题来说是大材小用。
• 方案 B（智能分配）：

1. 1. 入站查询首先由一个极小的本地 BERT 模型（成本：0.00001 美元）处理，以识别意图。
   2. 如果是“密码重置” -> 发送到基于规则的脚本（成本：0.00 美元）。
   3. 如果是“复杂的账单争议” -> 发送给 Claude 3.5 Sonnet（成本：0.015 美元）来起草回复。
   4. 人工客服审核草稿（时间成本：0.50 美元）。

分配架构师意识到，方案 B 不仅更便宜，而且更快、更具扩展性。通过将“重装主力”留给真正需要它们的任务，你可以实现智能支出的 ROI 最大化。这就是推理经济学：实现每一美元智能产出的最大化。

构建技术栈：编排模式

我们具体如何将这些连接在一起？AI 编排（Orchestration）的标准化设计模式正在兴起——这是这个新时代的“架构风格”。

1. 路由（守门人）

这是最基础的模式。“路由”是一个位于最前端的轻量级模型或逻辑层。它分析请求的复杂程度，并将其分发给合适的执行者（人类、强力模型或快速模型）。

• 示例： 一个电子邮件分拣系统，它可以自动存档简报（规则）、起草常规查询的回复（快速模型），并将愤怒的客户邮件标记给副总裁处理（人类）。

2. 链（流水线）

线性工作流，其中一个步骤的输出成为下一个步骤的输入。这模仿了工业流水线。

• 示例：

1. 1. 搜索工具 寻找关于“半导体供应链”的最新新闻。
   2. 上下文窗口 填充前 5 篇文章的内容。
   3. 总结模型（快速型）提取关键要点。
   4. 写作模型（重型型）将要点转化为“市场分析”简报。

3. Agent 循环（自主工作者）

这是最先进也最危险的模式。模型不再被给定线性链条，而是被赋予一个目标和一套工具（浏览器、代码解释器、文件系统）。它进入一个循环：思考 -> 行动 -> 观察 -> 修正。

• 示例： “修复 auth.ts 中的 bug。” Agent 读取文件，编写测试，发现失败，重写代码，再次运行测试，发现通过，然后提交 PR。
• 风险： 循环可能会卡住。成本可能会失控。这需要“护栏”——对循环次数和支出的硬性限制。

未来是混合的

全自动企业的愿景只是海市蜃楼。现实是一个混合体。

未来十年最成功的公司不会是拥有 最多 AI 的公司。它们将是拥有最佳架构的公司。它们将把智能（无论是生物的还是人工的）视为一种流动的资源，流经设计精良的路由、链和循环系统。

在这个世界上，编写提示词（Prompt）是一项初级技能。高级技能是设计系统的能力，由该系统决定该写哪个提示词，谁来写，以及谁来检查工作。

我们已经造好了引擎。现在，我们必须造好底盘。

本系列下一篇： 在最后一篇 《第四部分：分配社会》 中，我们将把视野扩大到社会层面。如果工作变成了编排任务，那么初级员工会发生什么？如果下一代人从未经历过“生产者”的阶段，我们该如何培养这些“管理者”？我们将探讨这种刚构建出的效率背后的人类成本。

本文是 XPS Institute Schemas 专栏的一部分，该专栏致力于研究支撑现代创新的框架和方法论。如需了解实施这些模式的技术指南，请浏览我们的 Stacks 专栏。