一週內有三款模型接連發布。
4 月 16 日：Claude Opus 4.7。
4 月 20 日：Kimi K2.6。
4 月 23 日：GPT-5.5。
大多數人只選了一個，然後就繼續前進。
這是錯誤的做法。
贏家不會忠於單一模型。
他們會自動將每個任務分配給最適合的模型，使用一套極其強大、幾乎免費或極其便宜的三件式組合。
一個人擁有這樣的配置，就能完成過去需要四人團隊才能做到的事。
一個提示詞就能啟動 300 個並行 Agent，執行 4,000 個協調步驟。
一週的設定，你的工作流程就會永久改變。
以下是將這三者作為一個系統來使用的確切方法。
每個模型的真實定位
Kimi K2.6
由 Moonshot AI 於 4 月 20 日發布，採用修改版 MIT 授權開源，API 價格低廉，每百萬輸入 Token 約 0.60 至 0.95 美元，執行相同工作時，價格約為 Claude 的八分之一，GPT-5.5 的五分之一。
關鍵數據：
總參數 1 兆，每個 Token 活躍參數 320 億，上下文視窗 256k，單次回應最大輸出 65,536 個 Token——比 Claude 或 OpenAI 的旗艦模型都大。
原生訓練可協調 300 個子 Agent，在長週期任務中執行 4,000 個協調步驟。
在真實世界測試中，K2.6 自主重建了一個有 8 年歷史的金融配對引擎，耗時 13 小時，迭代了 12 種優化策略，進行了超過 1,000 次工具呼叫，精確修改了 4,000 多行程式碼，使中位數吞吐量提升 185%，效能吞吐量提升 133%。
Moonshot 的一個內部團隊讓它作為自主 Agent 連續運行了五天，在無人干預的情況下管理監控、事件回應和系統操作。
基準測試成績：
SWE-bench Verified 達 80.2%。
SWE-bench Pro 達 58.6%，與 GPT-5.5 持平。
DeepSearchQA 達 92.5%。
Terminal-Bench 2.0 達 66.7%。
幻覺率從 K2.5 的 65% 降至 39%，幾乎與 Claude Opus 4.7 的 36% 相當。
弱點：
API 不支援圖片輸入，工具架構的重試率略高於 Anthropic 或 OpenAI，且在純數學領域並非領先。
Claude Opus 4.7
於 4 月 16 日發布，是生產級程式碼品質、法律與企業文件、視覺任務，以及任何注重精確度而非速度的最佳模型。
在 SWE-bench Pro 中，它以 64.3% 的成績領先，比 Kimi 和 GPT-5.5 高出約 6 個百分點。
視覺敏銳度在解析度從 1.15 提升至 3.75 百萬像素後，從 54.5% 躍升至 98.5%。
它會在回傳答案前自行驗證，在你之前就發現邏輯缺陷。
在企業知識工作方面，它在 BigLaw Bench 上獲得 90.9% 的成績，能正確區分過去曾困擾前沿模型的法律條文，且在處理來源資訊時，錯誤率比 Opus 4.6 低 21%。
弱點：
它是三者中最昂貴的之一，每百萬 Token 價格為 5/25 美元，且在網路研究方面略有退步。
GPT-5.5
於 4 月 23 日發布，最擅長數學、網路研究（BrowseComp 達 90.1%），以及電腦使用——它能以 78.7% 的成績在 OSWorld-Verified 上自主操作真實 GUI。
與前代模型相比，它完成相同任務所需的輸出 Token 更少，因此實際使用成本比官方價格（每百萬 Token 5/30 美元）所暗示的要低。
在長上下文檢索方面，它在同一基準測試中躍升至 74.0%，而 Claude 僅為 32.2%——對於處理大型程式碼庫或極長文件的人來說，這個差異至關重要。
而 GPT 的超能力之一，其實是 Image 2。
老實說，我從未見過如此厲害的東西。
弱點：
官方輸出成本為每百萬 Token 30 美元，在真實程式碼品質上輸給 Claude，在處理大量工作時的價格也輸給 Kimi。
Agent 群集：Kimi 真正能做到而其他模型做不到的事
K2.6 可擴展至 300 個子 Agent，同時執行 4,000 個協調步驟，是 K2.5 限制的三倍。
每個 Agent 並行處理一個專業子任務，協調器合併結果，你只需一個提示詞就能獲得端到端的輸出。
發布時的實際案例：
100 個 Agent 將一份履歷與 100 個職缺進行比較，並回傳 100 份個人化的履歷。
另一個案例將一篇天體物理學論文轉換成一份 40 頁、7,000 字的研究報告，附帶 20,000 列的資料集和 14 張圖表。
你也可以將任何 PDF、試算表或文件轉換成可重複使用的技能。
上傳你最好的作品一次，群集就會在未來每個任務中自動複製其結構和品質。
誠實的警告：
在極度複雜、長週期的任務中，協調仍然脆弱。
請在真正可以並行化的工作中使用 Agent 群集：
大規模研究、批次處理、大量生成，以及大規模的長篇寫作。
對於序列推理、單一檔案除錯或架構決策，Opus 4.7 仍然是最佳選擇。
作弊碼：將每個任務分配給正確的模型
整個策略是這樣的：
你不忠於任何模型。
你進行分配。
將以下任務交給 Kimi K2.6：
大型編碼任務、從提示詞或圖片生成前端、用於大規模研究的 Agent 群集、隔夜自主運行，以及任何你需要廉價且大規模完成的工作。
如果你需要：
撰寫 50 個函式，
研究 100 頁內容，
搭建一個全端應用程式，
或讓一個 Agent 在無人監督下運行 12 小時，
Kimi 就是你的工人。
將以下任務交給 Claude Opus 4.7：
必須一次就正確的生產級程式碼、法律文件、企業工作流程、視覺任務、任何與設計精確度相關的事，以及任何錯誤答案會造成實際金錢損失的事。
Opus 是你的資深工程師和安全網。
將以下任務交給 GPT-5.5：
數學問題、需要大量網路瀏覽的研究任務、電腦使用和 GUI 導航，以及任何你需要模型快速查找和綜合最新資訊的事。
GPT-5.5 是你的研究員和電腦操作員。
這個分配決策只需五秒鐘。
節省的成本是永久的。
如何實際設定
選項 1：手動分配（免費，今天就能用）
每個任務前問三個問題。
1/ 大型編碼或自主工作？
用 Kimi。
2/ 完美的生產級、視覺或法律內容？
用 Opus 4.7。
3/ 數學、網路研究或電腦導航？
用 GPT-5.5。
每個任務五秒鐘。
立即節省成本。
選項 2：Claude Code 路由器
允許你使用 Claude Code 介面，但透過 OpenRouter 將請求路由到 Kimi、GPT-5.5 或任何模型。
一個介面，三個大腦，自動分配。
選項 3：CodeRouter
coderouter.io 自動將每個 API 呼叫分配給最佳模型。
無需配置。
目前的分配邏輯：
規劃和除錯用 Opus。
實作和大量生成用 Kimi。
數學和研究用 GPT-5.5。
每月成本約減少 60%，且觀察不到品質變化。
🚨 你需要的儲存庫（最重要的部分）
針對 Kimi K2.6：
github.com/moonshotai/Kimi-K2
是官方儲存庫。
包含權重、vLLM 和 SGLang 的部署指南、API 文件，以及所有用於自託管或整合的配置。
從這裡開始。
github.com/chongdashu/cc-kimi-k2-thinking-prompts
展示如何透過更改一個環境變數，在 Claude Code CLI 中使用 Kimi K2.6。
完整的 Claude Code Agent 循環，由 Kimi 的大腦以極低的成本完成工作。
github.com/dnnyngyen/kimi-agent-internals
包含 Kimi 六種 Agent 類型的提取系統提示詞，包括 Base Chat、OK Computer、Docs、Sheets、Slides 和 Websites，以及技能定義和完整的工具架構。
針對 Claude Opus 4.7：
github.com/CheswickDEV/claude-opus-4.7-prompt-optimizer
是一個元提示詞，可將你的原始提示詞轉換為結構化的 XML 提示詞，準備好投入生產，並針對 Opus 4.7 的特性進行了最佳化，同時針對新的 xhigh 努力和適應性思考層級進行了調整。
github.com/rohitg00/awesome-claude-design
包含按美學系列組織的 DESIGN.md 提示詞，適用於 Claude Design，包括 Token 預算配方，因為 Opus 4.7 的視覺 Token 成本約為同等文字 Token 的三倍。
github.com/Piebald-AI/claude-code-system-prompts
包含完整的 Claude Code 系統提示詞，以及根據發布版本更新的 24 個內建工具描述。
針對 GPT-5.5：
github.com/openai/gpt-5-coding-examples
是 OpenAI 官方儲存庫，包含完全由單一 GPT-5 提示詞構建的示範應用程式。
每個示範都包含生成它的確切零樣本提示詞。
github.com/f/awesome-chatgpt-prompts
擁有超過 14.3 萬顆星，是經典的提示詞庫，適用於所有三個模型。
要同時使用這三者：
github.com/musistudio/claude-code-router
將所有功能整合在一起。
一個介面，三個模型，自動分配。
github.com/asgeirtj/system_prompts_leaks
包含所有三個模型的洩漏系統提示詞，集中在一個地方，讓你清楚了解每個公司如何塑造其模型的行為。
你現在就該安裝的提示詞
三個提示詞。
每個模型一個。
將它們保存在可存取的地方，並在任何會話開始時貼上，或將它們安裝為持久性系統提示詞。
針對 Kimi K2.6 的大量工作和 Agent：
針對 Claude Opus 4.7 的生產工作：
針對 GPT-5.5 的研究和電腦使用：
你今天就能用這個組合完成的實際任務
在單次會話中建立一個完整的 SaaS 產品。
向 Kimi 描述產品、技術棧和功能。
讓它運行。
搭建前端、後端和 DevOps 配置。
將輸出交給 Opus 4.7，以強化關鍵的生產路由。
深入研究任何主題。
針對一個研究問題，啟動 Kimi 的 Agent 群集，使用 50 到 100 個 Agent。
每個 Agent 涵蓋不同的角度。
協調器合併並解決矛盾。
在過去只夠讀完 10 篇文章的時間內，獲得一份帶有引用的結構化報告。
大量處理任何事務。
100 個職缺，100 封個人化的求職信。
50 張支援工單，50 份量身訂做的回覆。
過去需要一個團隊才能完成的任務，現在只需幾美元就能在隔夜運行完畢。
將文件轉換為可重複使用的技能。
將你最好的報告或提案上傳到 Kimi。
將其結構和風格 DNA 捕捉為一項技能，群集會自動將其應用於每個未來任務。
自動化監控和事件回應。
將 Kimi 作為背景 Agent 連接到你的錯誤日誌和部署管道。
當出現問題時：
它會找到相關的提交記錄，
開啟一個草稿修復，
並將其發布到 Slack。
你的值班工程師只需審查一個 Pull Request，而不是在凌晨三點盯著空白的終端機。
