panghu960

“这类对比我会更关心两个点：一是失败之后有没有可追踪的错误记忆，二是长任务里每一步能不能被人接管和回滚。预算低当然重要，但如果失败不可观测，省下来的 token 后面还是会用人工补回来。”

“语音输入能不能留下来，我一般看它是不是能少打断当前工作流。比如在编辑器、浏览器、聊天窗口里不用切太多状态，识别错了也能很快改。如果每次都要想“我要怎么启动它”，最后就会变成偶尔尝鲜。”

“我现在不太按“哪个最强”来选，而是按工作流稳定性选：上下文能不能长期维持、改坏了能不能回滚、测试失败时能不能自己定位。短 demo 很容易看起来都强，真正拉开差距的是连续改一个真实项目时的可控性。”