用了两年多 GPT,我最近开始换模型了,还折腾了个求职避坑 Agent

作者:程序员海军日期:2026/10/23

大家好,我是程序员海军,OPC|AI 爱好者|独立开发者。

GPT 算是我这两年多用得最勤的 AI 工具了。

从一开始拿它查资料、写代码,到后来做需求分析、开发 AI 应用,甚至平时一些琐碎的事情,我基本都是先打开 GPT。说它是我的主战场,一点也不夸张。

但最近几个月,用起来是真的有点烦。

有时候需求已经讲得很清楚了,它还是理解偏了;复杂一点的任务,来回沟通几轮也收不了尾。以前觉得它挺省心,现在反倒需要自己一直盯着、纠正。偶尔切到 Astra Pro 这种高强度模式,体验才稍微好一点。

当然,这是我自己的使用感受。我也不敢说一定是模型变差了,可能跟任务复杂度、使用方式、预期变化都有关系。但有一点我越来越确定:不能把所有活都押在一个模型上。

于是最近我重新研究了一圈模型 API 平台,中间也看过不少中转站。折腾完之后,最后选择了 Aiionly。正好手里有个一直想做的求职方向小项目,就拿它作为这次的应用场景。

为了换个模型,我又研究了一圈 API 平台

以前只是聊天,哪个工具顺手就用哪个,倒没觉得有什么问题。但自己开始做 AI 应用以后,情况就不一样了。

一款应用可能要处理长文本、识别截图、分析用户输入,还要连续对话。不同任务对模型的要求不一样,价格、响应速度和调用成本也得考虑。总不能每次想换个模型,就重新注册账号、充值、改一套接入逻辑。

这次我筛选平台,主要看三件事:模型选择够不够灵活,API 接入麻不麻烦,以及费用能不能看得清楚。

最后选的 Aiionly,定位就是一个多模型 API 聚合平台。简单理解,不用分别去不同模型厂商那里折腾,通过一个平台就能选择和调用多种模型。对我这种平时既写代码、又折腾 Agent 和各种小产品的人来说,这种方式要方便不少。

我比较关注的是它的统一 API 接口。对开发者来说,接口方式相对统一,后面需要换模型时,调整模型配置比重新接一套服务省事。当然,模型之间的参数、能力和返回格式仍然可能有差异,该适配的地方还是得适配。

另外就是费用。Aiionly 有按量调用,也提供 Token Plan 套餐,可以根据自己是偶尔测试,还是经常跑 Coding、Agent 任务来选。控制台能查看用量和账单,这一点我挺在意。做 Demo 的时候可能觉得几个 Token 无所谓,真要长期跑起来,成本就不能稀里糊涂了。

这里也说清楚,API 平台不是给模型加智商的。同一个底层模型,不会因为换个平台就突然聪明很多。

我看重的是模型选择权和接入便利,而不是某种所谓的“神奇加成”。至于长期稳定性、实际速度这些,还是要放到自己的项目里持续验证,不能只看宣传页面。

AiiOnly 和 WorkBuddy 已完成模型路由打通。现在也可以在 AiiOnly 客户端进入「Agent 路由 → WorkBuddy」,即可一键选择所需模型并完成配置。

使用也很简单,它提供了有个OpenAI 兼容接口,只需要在 Workbuddy 或者其它AI 工具(Trae, Codex)配置也可以使用,这里我们拿 Workbuddy 演示操作:

今年面了 50 多个人,我想做个求职避坑 Agent

说到这个小项目,起因其实挺简单的。

今年我陆续面试了 50 多位候选人,平时也会有朋友、网友来找我聊简历、面试和找工作的事情。接触得多了,我发现很多人找工作时,关注的往往是“我能不能通过面试”,但还有一个问题容易被忽略:这家公司、这个岗位,到底值不值得我花时间去?

去年我自己也碰到过一次工作机会和实际情况差距很大的事。虽然最后及时止损了,但中间花掉的时间和精力,已经收不回来了。也因为这个经历,我对“先了解清楚,再做选择”这件事挺有感触。

尤其现在找工作也不容易。投简历、约面试、准备笔试,有时候还得专门请假跑一趟。聊到最后才发现薪资口径不一致、工作时间接受不了,或者岗位职责和最初看到的完全不是一回事,时间就这么搭进去了。

于是我开始琢磨,能不能做一个 Agent,先帮求职者把招聘信息过一遍。

最早想得挺直接:识别垃圾岗位、僵尸岗位、坑人岗位。但真正梳理需求时发现,这个说法还是太粗了。光凭一张招聘截图,AI 很难判断一家公司到底靠不靠谱;岗位写得模糊,也不能直接说人家是骗子。

后来我把方向改成了一个更实际的东西,暂时叫它「职场评测」。它不负责给公司判好坏,而是结合求职者自己的情况,判断这个机会要不要继续投入时间。

我的思路是,用户先上传简历,设置自己的求职偏好,比如期望城市、薪资、双休、远程办公这些条件。接着把招聘 JD、公司介绍、HR 的聊天截图丢进去,让 AI 辅助分析。

这里有三个问题要分开看:一是你有没有能力胜任;二是这个岗位是不是符合你的个人要求;三是招聘信息里有没有需要警惕或者进一步核实的地方。

举个例子,一个岗位写着「20~30K,包含绩效」,而你的要求是固定月薪至少 20K。哪怕技能匹配度再高,也不能直接告诉你“符合要求”。真正该做的是把薪资结构标成待核实,再告诉你下一步应该怎么向 HR 问清楚。

再比如,招聘信息里没有提加班情况,不代表公司一定双休;也不能因为没写,就认定它是大小周。不知道就是不知道,不能让 AI 硬猜。

最后

这个项目其实也让我重新想了下,自己到底需要怎样的 AI 工具。

现在模型更新太快了,今天这个强,过段时间可能又换一个。每次新模型发布,大家都忙着测榜单、比较谁更聪明。我也会关注这些,但真到做项目的时候,最重要的还是它能不能把手上的任务完成。

比如这个求职 Agent,截图理解、简历提取、岗位分析可能会用到不同的能力。后面哪个模型处理得更稳、成本更合适,就让它负责对应任务,而不是从头到尾只能用一个模型。这也是我选择 Aiionly 这类多模型入口的原因。

当然,平台只是其中一环。AI 分析是否靠谱,还得看需求有没有定义清楚、输入材料是否充分、结果有没有证据支撑。尤其涉及求职决策,不能把 AI 的推测包装成事实。简历和 HR 聊天记录里有个人信息,使用时也得注意打码和隐私保护。

我现在依然会用 GPT,它毕竟陪我干了不少活。只是相比以前,我不太想再把自己绑在某一个工具或者模型上了。工具可以换,项目和解决问题的能力,才是自己真正能留下来的东西。

最后放一下这次用到的平台,感兴趣的朋友可以自己看看:

Aiionly 官网: www.aiionly.com/

我的邀请注册链接: maas.aiionly.com/login?invit…

目前的新人活动里,通过这个链接注册,可以领取一张 16-15 的平台金币充值代金券,另外还有一张 5 元无门槛 Token Plan 代金券。具体领取条件、有效期和适用范围,以注册后的活动页面为准。

如果平时只是偶尔问几个问题,其实没必要专门折腾 API。但如果你跟我一样,经常用 AI 编程、做 Agent,或者想把某个自己的想法做成产品,多模型接入这种方式还是值得了解一下。


《用了两年多 GPT,我最近开始换模型了,还折腾了个求职避坑 Agent》 是转载文章,点击查看原文。


相关推荐


MBD数字化定义(十七)—— 3D标注工程实践——注释平面、捕获与视图管理
我是慎独2026/10/17

第17章 3D标注工程实践——注释平面、捕获与视图管理 ——从MBD语义空间到可读性约束的工程化推演 本章聚焦基于模型的定义(Model-Based Definition, MBD)环境下产品制造信息(PMI)的组织与表达。全章以几何线性代数、约束自由度理论与可读性投影模型为分析工具,将原本依赖经验的"3D标注怎么放"问题,转化为可形式化、可断言、可校验的工程决策序列。 学习目标 掌握3D标注的完整工作流程:从功能分析、基准体系确定,到注释平面规划、逐项标注、组合视图组织,直至模型检查与发


Linux网络编程入门(一):从网络协议分层到Socket编程基础
zincsweet2026/10/13

1 网络基础概念 目录 计算机网络背景初识协议协议分层:OSI 七层模型TCP/IP 五层(四层)模型再识协议:为什么要有 TCP/IP网络传输基本流程:局域网通信原理数据的封装与分用跨网络传输:认识 IP 地址与路由器Socket 编程预备 1. 源 IP 与目的 IP2. 端口号3. 传输层典型代表:TCP 与 UDP4. 网络字节序5. socket 编程接口 一、计算机网络背景 1.1 网络发展 计算机网络的发展经历了以下几个阶段: 阶段说明独立模式计算机之间相互


这几天,我都是拿手机让dot帮我干活
老金带你玩AI2026/10/5

这两天,老金我一直在用OpenAI刚推出的个人助手dot,真的是越用越喜欢啊。 原因是啥呢?对于我这种懒人来说,它简直有点贾维斯那意思了。想到什么,拿手机跟它说说,它就去忙。我不用一直坐在电脑面前守着,也不用等一个项目彻底做完,才开始说下一件。 而且它能用的电脑,还不止一台。 它自己有一台云电脑,也能连上我的本地电脑,两边可以同时干活。像查资料、找社区里的帖子、处理GitHub里的代码,这些可以交给云端。我的数字人项目要用到本机的5090,那就放在自己的电脑上跑。 我这边还是拿着手机,跟同一个d


第 27 章 案例三 自动化工作流 Agent
前端阿凡2026/9/27

第 27 章 案例三:自动化工作流 Agent 本章要解决的问题 每周要花 3 小时的报表生成,交给 Agent 自动跑——规划、多智能体、成本优化怎么配合? 章节大纲 27.1 多步骤任务拆解(规划 + 多智能体) 27.2 MCP 集成办公套件(豆包) 27.3 成本优化与异常恢复 27.4 全流程编排与监控 🛠 解决方案:自动化任务失败自愈机制 + 成本预算控制 27.1 场景与任务拆解 27.1.1 场景:周报自动生成 业务:某运营团队每周要生成一份经营周报,人工耗时 3 小时


Kotlin 协程闯关:看代码,猜结果
潜龙勿用之化骨龙2026/9/21

前言 这不是一篇 API 速查表。 接下来 10 关,每一关都先别急着运行。 先凭直觉判断,再打开 IntelliJ IDEA 验证,最后回头看协程到底是怎么运行的。 闯关规则 不要直接复制代码运行,先预测结果。 尽量不要查 API,看看自己对协程调度、挂起和生命周期到底掌握了多少。 在 IntelliJ IDEA 中逐关运行验证。 对照解析,看看自己能走到第几关。 Kotlin 协程闯关地图 10 关协程挑战 从 launch、delay,一路闯到结构化并发与生命周期。


面试总被问云存储?块 / 对象 / 文件存储、快照备份一次性讲透
KIDULT°2026/9/12

华为云存储云服务 摘要:在云时代,存储是云业务的基石。日常我们接触 U 盘、移动硬盘、网盘都是存储设备,上云之后,华为云提供了四类主流存储服务:云硬盘 EVS、对象存储 OBS、弹性文件服务 SFS、云备份 CBR。本文带你搞懂各类存储的概念、特性、区别以及适用场景。 一、什么是存储云服务 存储是指将数据或信息保存在计算机或其他电子设备中的过程。存储可以是临时的,也可以是长期的,例如将文件保存在硬盘驱动器或云存储中。存储是计算机系统中非常重要的组成部分,它不但可以储存数据,还能通过存储实现容


hadoop高可用架构
kuroomi2026/9/4

hadoop高可用 IP 主机名 角色 192.168.150.172 server1 NameNode DFSZKFailoverController ResourceManager 192.168.150.173 server2 JournalNode QuorumPeerMain DataNode NodeManager


从“听得懂”到“干得了”:工业大模型落地工厂的三层进化路线
MobotStone2026/8/27

过去几年,大模型很火。但到了制造业,一个现实问题始终绕不开:会聊天的AI,真的能开机器、查故障、调参数、排产线吗? 答案是,单靠一个大模型很难。 工业现场和普通的聊天场景完全不同。一条生产线可能涉及设备说明书、工艺文件、传感器数据、机器视觉图像,以及MES、WMS、SCADA、PLC等各种系统。大模型不仅要“听得懂”,还要懂具体行业的专业知识,更重要的是,它最终得把判断变成实际动作。 因此,工业大模型并不是“一个模型打天下”,而更像一个分工明确的三层体系: 基础模型层:解决“懂不懂”,让AI拥


【AI智能体】Codex 生成高质量电商套图实战操作详解
小码农叔叔2026/8/19

目录 一、前言 二、Codex 介绍 2.1 Codex 是什么 2.2 Codex能做什么? 2.3 基于Codex 制作电商图片介绍 2.3.1 核心实现流程 2.3.2 实战操作建议 三、Codex 生成电商套图操作过程 3.1 前置准备 3.2 完整操作过程 3.2.1 规划设计方案 3.2.2 确定设计方案 3.2.3 根据产品主图规划设计方案 3.2.4 细节调整与完善 3.2.5 重新作图 3.2.6 封装成Skill 3.2.7 自定义Ski


如何在Windows环境选择适合自己的 AI Agent
Lei_official2026/8/6

背景 在使用 AI Agent 时,你是否曾经困惑过:应该选择什么环境、什么形态的 Agent 终端?以 Codex 为例,有 Desktop App,也有 CLI 工具。如果使用的是 Windows 环境,例如我,还面临着 PS7、WSL2 的选择。 根据奥卡姆剃刀原理,如非必要,勿增实体。对于功能相近的工具,我倾向于只保留最适合当前任务的一种。 尤其是 AI Agent 这类工具,使用的不只是工具本身,还有大量定制配置、Skill、MCP 等;这些内容也会不断更新、迭代。如果在同一台电脑上使

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读