有學員問我：「路老闆，我用 AI 寫網站，是不是一定要開最貴的模型？我看大家都說要用最強的。」

先講結論：寫程式，值得開最強的；但不是所有事情都值得。你在做的那件事的性質，決定你該配多少資源，不是越強越好。

這件事我自己做過實驗，結果跟我原本以為的相反。

我做了一個晚上的實驗

有一天晚上，我把平常用的 Claude Opus 換成 Claude Sonnet，思考模式開到最低，然後就這樣聊了一整晚。

我以為自己會覺得降級了。結果反而聊得更舒服。

用 Opus 的時候，我常常有一種被糾正、被壓著講的感覺。它很聰明，回答很完整，但來回的節奏很重。換成 Sonnet 之後，回應變快、語氣變自然，一來一往的感覺好很多。

那一晚我想通一件事：我們對 AI 有一種迷信，以為用最新最強的模型、把算力開到最大，結果就一定更好。但這要看你在做什麼。

寫程式，開最強的，值得

寫程式這件事有一個特性：答案有對錯。

一段程式碼不是跑得動就是跑不動；一個表單不是能送出就是不能送出。這種有對錯的任務，模型想得越細、越廣，幫你考慮到的邊角案例就越多。

什麼叫邊角案例？就是使用者輸入了你沒想到的東西、兩個人同時按下送出、資料裡有個空值、手機瀏覽器跟電腦行為不一樣。弱一點的模型會給你一個「正常情況下可以動」的版本；強的模型比較會主動把這些想進去。

而這些邊角案例，正是網站上線之後半夜把你叫起來的東西。所以寫程式的時候，我會開最強的模型、把思考模式開高，這筆錢花得值得。

一般對話，不用

反過來，如果你是在跟 AI 討論方向、腦力激盪、寫文章初稿、整理想法，這些任務的答案靠的是感覺跟節奏，不是對錯。

這時候模型想太多，反而會輸出過度完整、過度謹慎的東西，把來回的感覺破壞掉。你丟一句話，它回你三頁，你就不想再丟下一句了。

我的分法是：答案有對錯的（程式、數學、事實查核）值得投入更多算力；答案靠感覺的（聊天、發想、初稿）投入太多反而壞事。學術研究或深度資料爬梳算另一類，需要完整思考跟整合，那也可以開高。

實際上可以怎麼配

如果你在用 AI 做網站，我建議把工作拆成兩段來配資源。

想的時候用輕的。討論要做什麼功能、頁面怎麼排、流程怎麼走，這一段用 Sonnet 這類模型加低思考，速度快、對話順，你可以很快把需求講清楚。

寫的時候用重的。需求定了、要它真的動手寫程式、要它找出為什麼壞掉，這一段換成最強的模型，思考開高，讓它慢慢想。

很多人剛好相反：聊天的時候開最貴的，覺得被壓著講很累；寫程式的時候為了省錢開輕的，結果做出一堆「目前好像可以動」的東西。

我自己現在的分法更細一點。改一段文案、換一個顏色、調一下間距，這種改了馬上看得到結果、錯了也不會怎樣的事，用輕的。要它找出為什麼表單偶爾送不出去、要它寫一份能重複跑的測試條件、要它動到金流或會員權限，這種錯了不會馬上發現、發現時已經有人受影響的事，一定開最強的。

判斷的方式不是看這件事難不難，是看它錯了之後多久會被發現、發現的時候誰在承擔。

常見的誤區：把貴當成保險

有人會想，那我全部開最強的總不會錯吧？

不會錯，但會累。一個是你的錢，一個是你的耐心。你用最貴的鐵鎚去釘小釘子，釘是釘進去了，但牆壁也凹了。

而且全部開最強有一個隱形的副作用：你會開始依賴它的完整回答，少了自己判斷的空間。討論階段最重要的是你想清楚，不是它想清楚。

相反的省法也有人做：整個專案從頭到尾只用最便宜的模型，因為額度有限。這種做法省下來的錢，通常會在上線後用時間加倍付回去。要省，省在對話那一段，不要省在寫程式那一段。

留一個問題給你

下次開對話之前，先問自己一句：我現在這件事，答案有沒有對錯？

有，開最強的，讓它幫你想邊角案例。沒有，開輕的，把節奏留給自己。

如果你在配模型或是寫程式的過程卡住了，可以把狀況寫信給我。我的電子報每週會寫這類用 AI 做東西的實際觀察，可以先訂起來：https://iamlouis.ai/subscribe/edm