Agent 成本的大头，往往花在大量"该不该、像不像、选哪个"的低级判断上——这些事让逐字生成的大模型做，等于用高射炮打蚊子。一类不走寻常路的判断模型给出了另一种解法：一个字都不写，只返回校准过的概率，单次判断约万分之一元。本文拆它的题型语法、与大模型的分工模式，以及上线前必须过的四道关。
语法只有三种题型
没有聊天接口，只有三类题：是非题（返回概率，如"用户在生气吗"给 0.97）、选择题（从给定选项里选，附完整概率分布和置信度）、评分题（在量尺上打连续分，1.77 意思是"介于中与高之间、明显偏 high"）。
三个结构性优势值得注意：概率是校准过的——0.9 以上自动处理、模糊地带转人工，阈值自己定；不可能幻觉——只能从给定选项里选，编不出别的内容；输出永远合法——没有自由文本就没有 JSON 解析失败。代价同样结构化：没有思维链、不解释推理，只给结论和把握。定位一句话：它是应用里的"判断零件"，不是"写作零件"——写文案翻译总结轮不到它，但"该不该、像不像、选哪个"它又快又便宜（输入约 0.3 元/百万 token，输出免费）。
四种分工模式，全部实测
分工原则一句话：生成与规划交给大模型（少而贵），高频判断交给判断模型（多而便宜）。
- 门卫：客服消息先并行过四道判断题，约八成简单判断直接模板直答，大模型一次都不用调；愤怒概率超阈值且紧急度高的，直接亮"人工优先"灯。
- 评审：大模型写 4 条候选文案，判断模型一次请求并行打分选优，单次约 0.0002 元——比让大模型自评低两个数量级。
- 教练加执行：大模型看一眼迷宫写下 60 字策略，判断模型每步选方向，10 步通关走的是理论最短路径，全程约 0.0016 元。
- 质检：大模型写文案，三关验收（吸引力、切题、用词安全），哪关不过就把评委意见拼进重写提示词。实测两轮质检共约 0.0003 元；字数校验这种事由代码直接数，不劳烦任何模型。
一个值钱的教训：过关线定 2.0 能稳定过审，定 2.2 几乎永远过不了——阈值必须拿自己的真实样本校准，别人的数抄不得。
选项质量决定判断上限
判断模型的智商上限取决于你喂给它的选项质量。实测浏览器 Agent 在 1227 个链接里找目标的案例，先本地剪枝到 25 个候选再交判断，四个剪枝坑都是真踩过的：排序用精确匹配（前缀匹配让带参数的变体链接挤掉真目标）、不可见链接要过滤（DOM 里存在但点不动，选了就卡死）、同页链接要剔除（纯浪费步数）、动作空间要覆盖完整路径——你剪掉的动作模型永远选不到。
低置信度下判断模型在两个选项间来回打转，修法不是改提示词，是把"原路返回"从选项里删掉——选项集本身就是最强的提示词。顺手一条增益：本地几毫秒能算出的特征（目标方位、近期走位）直接写进状态输入，能便宜算的就别花模型的钱。
概率别只取最大值
拿到概率分布，三种比"取最大"更值钱的用法，直接看分支代码：
// ① 双阈值：高置信自动处理，模糊地带升级人工
p > 0.9 ? autoQueue() : p > 0.5 ? humanReview() : normalQueue();
// ② 低置信兜底：分布太平说明问题本身模糊
confidence > 0.7 ? routeTo(choice) : routeTo(fallback);
// ③ 连续分：1.77 这种"偏 high"的信息，取整就丢了
if (urgency.score > 1.5) bumpPriority();
①就是经典的"廉价第一道过滤"：判断模型拦下八成简单判断，只有低置信或复杂请求才进大模型——两个数量级的成本差主要就是这么省出来的。调试期把每步的概率条、置信度、耗时、费用实时画出来——看它"犹豫"往往比看它"选了什么"信息量大。
上线四道关
校准验证：拿 20-50 条真实样本对照人工标注，题目写法决定概率质量。锁版本：用固定版本号不用 latest，别让模型静默更新把阈值作废。超时降级：判断服务失败要能回退到关键词规则或小模型，决策层不能单点故障。概率落日志：答案和费用一起记，回溯校准与成本核算全靠它。
什么时候用：选项有限、调用高频、需要概率。什么时候不用：开放式规划与文本生成。最好用的形态从来不是二选一，而是双系统——大模型定策略写文案兜底复杂请求，判断模型在每一次"该不该、选哪个"的关口上便宜地站岗。
评论0