我烧了 8 万 token 才搞懂：o1 该嵌在 Agent 工作流的哪一步

写行业分析时，最崩溃的不是“没资料”，而是资料太多，理不清。

提纲看起来很漂亮，初稿一出来却开始跑偏——因果断了、重点飘了、明明前面刚否定的假设，后面又当事实写进去。

更糟的是，很多人的解法很直接：全程换成更贵、更“会想”的模型。

于是我把 o1 硬塞进了「调研 → 提纲 → 初稿」这条 Agent 工作流，认真跑了 5 个真实任务，最后账单大概是这样：

约 8 万 token，折合下来小十几刀。

结果只有 2 类步骤 真正值这个钱。其余大多数时候，我只是在白烧推理成本。

这不是又一篇“o1 很强”的测评。

这是一份成本-收益账本：什么时候该多等几秒上推理模型，什么时候继续用普通模型就够。

---

一、为什么非要把 o1 塞进 Agent 工作流？

先说两个很常见的卡点。

你让 GPT-4o 或 Claude 去读 10 篇资料、摘要竞品、整理行业观点，它通常能写得很顺。

但一旦资料互相打架——A 说市场规模在涨，B 说增速在掉；C 强调技术路线，D 强调商业化失败——普通模型很容易“平均化处理”：把冲突抹平，写成看起来全面、其实没有判断的综述。

提纲阶段你觉得结构清楚了，可一到扩写，模型就开始“顺着写顺口”：

• 该做取舍的地方不敢取舍
• 该建立因果的地方改成并列
• 该验证假设的地方直接当结论

这不是文笔问题，是多步因果判断能力不够稳。

o1 理论上擅长的，恰好是这类事：

• 在冲突信息里找隐含假设
• 在多条路径里做取舍
• 检查“A 推出 B，B 推出 C”是否真的成立

但问题也在这里：

如果每一步都上 o1，你会得到更“认真”的输出，同时也会得到更慢的响应、更高的 token 账单，以及一种错觉——“越贵一定越值得”。

所以我真正想验证的不是“o1 能不能写”，而是：

在 Agent 工作流里，哪些步骤的不确定性足够高，才值得为推理多等几秒、多付一截成本。

---

二、我的 Agent 工作流长什么样，以及 5 个真实任务

1. 三阶段架构：调研 → 提纲 → 初稿

我用的是一条很朴素、但可控的工作流：

[输入] 任务目标 + 原始资料包
│
▼
┌──────────────────┐
│ 阶段1：调研 Agent │  抓重点 / 消冲突 / 挖隐含假设
│ 工具：网页摘要、笔记检索、引用抽取
│ 输出：结构化调研备忘录
└────────┬─────────┘
│ 人工卡点1：确认事实边界与争议点
▼
┌──────────────────┐
│ 阶段2：提纲 Agent │  建结构 / 排因果 / 定取舍
│ 记忆：继承调研结论 + 争议清单
│ 输出：带论证链的大纲
└────────┬─────────┘
│ 人工卡点2：确认逻辑是否站得住
▼
┌──────────────────┐
│ 阶段3：初稿 Agent │  扩写 / 举例 / 润色 / 补过渡
│ 记忆：继承提纲 + 关键证据
│ 输出：可直接改的初稿
└──────────────────┘

几个关键设计：

• 工具调用统一：摘要、检索、引用抽取工具集不变
• 记忆传递明确：后一阶段只吃前一阶段“确认过的结论”，不吃全文聊天垃圾
• 人工卡点保留：调研后、提纲后各停一次，避免错误一路滚雪球
• 变量尽量锁死：同一任务里，提示词模板、温度、工具集、输出格式要求保持一致；只切换“该阶段是否用 o1”

一句话：不是让 o1 包办一切，而是把它当成“高不确定性节点上的临时加强模块”。

2. 5 个真实任务怎么选

我故意覆盖了 5 种常见写作场景，而不是只挑 o1 最擅长的那种：

为什么是这 5 个？

• 既有高冲突信息（竞品、趋势），也有低冲突流程（教程）
• 既有需要判断的，也有主要靠组织与扩写的
• 这样才能看出：o1 的优势到底是“全局更强”，还是“只在某类步骤更强”

控制变量上，我只允许改变一件事：

---

三、实测结果：哪类步骤值得多等几秒，哪类在白烧 token

先给总结论，再拆任务。

总规律（先记住这三句）

1. 调研阶段：一旦出现“信息冲突消解”“隐含假设挖掘”，o1 明显更值

2. 提纲阶段：一旦需要“结构跳跃 + 因果链检查”，o1 往往更值

3. 初稿阶段：扩写、举例、润色、补过渡，几乎全是白烧——普通模型更划算

下面用“体感评分 + 成本结构”的方式说明。评分是我自己的采用标准，不是什么公开榜单：

• 逻辑严谨度：因果是否站得住
• 事实密度：有没有把关键证据压进去，而不是空转
• 可直接采用率：我实际能直接留下多少，不用大改

1）分阶段对比总表（5 个任务均值，体感汇总）

你可以把这张表理解成：

一旦任务从“判断”变成“表达”，溢价就迅速消失。

2）逐任务拆盲盒

#### T1 技术科普（RAG 给产品经理）

• 调研：普通模型会把“向量检索 / 重排 / 幻觉控制”写成并列知识点；o1 更愿意追问“产品经理真正会踩的坑是什么”，比如把“知识更新频率”和“检索召回不稳定”提到前面
• 提纲：o1 更能排出“先讲边界，再讲机制，最后讲选型”的因果顺序
• 初稿：两者差距很小，o1 只是更啰嗦一点

#### T2 竞品分析（最值的一类）

这是 o1 最值的任务。

资料一多，普通模型常见问题是：

• 把官网宣传当事实
• 把“支持 API”和“适合个人用户”混成同一维度
• 结论四平八稳，不敢做取舍

我在调研阶段专门丢给 o1 一个要求：

不要做功能清单。先找出 3 个真正互相冲突的评价维度，并说明每个维度下，哪些证据可信、哪些只是话术。

它给出的中间产物，大概是这种风格（摘要）：

冲突点1：效率提升 vs 可控性
A 工具强调“一键成稿”，但用户反馈集中在“改不动”
B 工具强调“结构化控制”，上手成本更高
隐含假设：读者要的到底是速度，还是可编辑性？
若目标用户是编辑/运营，可控性权重大于首稿速度

普通模型也能列点，但很少主动把“隐含目标用户假设”挖出来。

到了提纲阶段，o1 也更敢做取舍，而不是三家各夸一句。

这是全场 ROI 最高的组合。

#### T3 个人经验复盘（最容易误判的一类）

我一开始以为“复盘需要深度思考，应该全程 o1”。

结果是错的。

因为输入主要是我自己的笔记和数据，信息冲突不高。

真正难的是：

• 把经历讲清楚
• 找到可复用动作
• 避免写成日记

这些普通模型就能做得不错。

o1 会多想，但经常把“我做了什么”过度抽象成“方法论框架”，读起来像咨询报告，不像真人复盘。

#### T4 行业趋势（高不确定，但不是每步都值）

趋势判断很吃推理，可一旦进入初稿，又变成表达问题。

• 调研：非常值。要把“Agent 会取代 Copilot”和“Agent 只是工作流编排层”这类冲突压成可讨论命题
• 提纲：值。需要决定文章是“机会判断”还是“风险预警”，不能两边讨好
• 初稿：不值。有了好提纲后，普通模型扩写已经够用

#### T5 教程型（最不值的一类）

教程的核心是：

• 步骤对不对
• 顺序清不清楚
• 读者能不能跟做

这里“多步因果判断”并不复杂，复杂的是操作路径表达。

o1 会把简单步骤想复杂，甚至补一堆“理论上还可以优化”的枝节，反而伤害可执行性。

除非你在教程开头要先做技术选型判断，那可以把“选型决策”单独拆成一个小的调研/提纲节点。

3）关键步骤截图式对比（文字还原）

普通模型常见输出：

综合来看，各方观点都有道理。AI 写作工具既提升效率，也存在内容同质化问题……
因此企业应根据自身需求选择。

o1 风格输出（摘要）：

先拆目标函数：
1) 若优化目标=首稿速度，则 A > B
2) 若优化目标=后期可编辑性，则 B > A
当前资料里，支持“效率提升”的证据多为官方 demo；
支持“改不动/难控”的证据更接近真实使用场景。
因此对专业内容团队，不应把“生成速度”当第一指标。

差异不在文采，在有没有完成判断。

两边差距会急剧缩小。

你给一份已经过关的提纲，让它们扩写“第三节：如何落地”，普通模型通常已经能写出可直接采用的段落；o1 未必显著更好，只是更慢、更贵。

4）每个任务的最终最优混合策略

如果你只记一张图，就记这句：

高不确定性、多步因果、需要取舍时上 o1；低不确定性、强表达、强流程时立刻回落。

---

四、可直接抄的落地建议 + 避坑清单

1. 三条可执行规则

满足以下任意两条，就上：

• 输入资料存在明显冲突
• 需要从 N 个可能结论里做取舍
• 输出会决定后续整条工作流方向（尤其是调研结论、提纲骨架）
• 你无法用一句话清晰定义“什么叫写对了”

• 已有确认过的提纲，只是扩写
• 任务是步骤说明、格式转换、语气润色
• 事实边界已经人工确认，不再需要二次推理
• 你对“好结果”有非常明确模板

不要让 Agent 无限推理。给每个阶段设硬约束：

• 时延熔断：单阶段超过可接受等待，就降级普通模型重跑
• 预算熔断：单篇文章总推理预算打满，只保留“调研冲突消解 / 提纲因果检查”两个优先位
• 人工卡点优先于自动死磕：与其让 o1 在错误前提上想很久，不如你 30 秒拍板

2. 简化版关键提示词（可直接改）

你不是在做摘要，而是在做冲突消解。
请输出：
1) 核心争议点（最多3个）
2) 每个争议点的对立证据
3) 证据可信度分层（一手/二手/话术）
4) 隐含假设
5) 若必须做判断，你倾向哪一边，为什么
禁止和稀泥，禁止“都有道理”式结尾。

基于已确认的调研结论，生成提纲。
要求：
每一节必须回答“为什么先讲这个”
标注依赖关系：哪些结论依赖前面哪条证据
明确取舍：这篇文章不覆盖什么
用“判断句”而不是“主题词”写小标题
最后做一次自检：如果删掉某一节，论证链是否断裂。

严格按提纲扩写，不新增未确认观点。
优先可读性和例子，不重新做战略判断。
对每个小节先给结论句，再补充解释。

3. 成本估算小公式（用来判断“值不值得等”）

你可以用一个很粗、但管用的式子：

是否值得上 o1 ≈
（该步骤对终稿质量的影响权重 × 普通模型失败返工成本）
（o1 额外费用 + 额外等待成本）

实操上我是这么拍的：

• 如果这一步错了，后面要整段重来 → 影响权重高，倾向 o1
• 如果这一步错了，只是多改两句表达 → 影响权重低，别上
• 如果你是个人创作者，时间成本高、返工烦，前两阶段更值得投资
• 如果你在批量生产低风险内容，优先保吞吐，不要迷信推理模型

粗算时也不用追求会计级精确。

记住一个经验阈值就行：

**只为“会改变文章方向”的步骤付推理溢价；

不为“只改变句子顺不顺”的步骤付推理溢价。**

4. 最小可行配置 vs 进阶玩法

1. 调研阶段：有冲突就上 o1，没有冲突就普通模型

2. 提纲阶段：固定用一次 o1 做因果检查

3. 初稿阶段：死守普通模型

4. 人工只看两个点：事实有没有飘、结构通不通

这已经能挡住 80% 的无效烧钱。

每篇文章只记 6 个数：

• 各阶段模型选择
• 各阶段耗时
• 各阶段相对成本
• 人工修改时长
• 可直接采用率
• 是否发生返工

跑满 10 篇后，你会非常清楚自己的内容类型里，o1 到底该不该常驻。

5. 我踩过的坑（诚实版）

复盘和教程里，我都因此多花了钱。输出更长，不等于更可用。

判断变强了，人味和节奏却差了。很多时候还得再让普通模型“降抽象、补例子”。

o1 很擅长在错误假设上把逻辑走得很自洽。

结果是：错得更完整，也更难发现。

所以我现在的态度很明确：

o1 是手术刀，不是自来水。

该下刀的时候下刀，不该开着流水账一直冲。

---

想直接调用稳定的 o1 推理接口，或者把上面的「调研 → 提纲 → 初稿」工作流按关键步骤混合着跑，可以去 api.884819.xyz 试试——我实测里用的就是那边的接口，延迟和计费都比较透明，适合做这种“只在关键步骤上 o1”的混合实验。新用户注册即送体验token。 国产模型也能免费调用，方便你先把普通模型路径跑通，再决定哪里值得升级推理。

---

写在最后

这篇文章真正想给你的，不是“快去全面换 o1”，而是一种更冷静的用法：

• 把 Agent 工作流拆开
• 识别高不确定性节点
• 只在那里支付推理成本
• 其余步骤保持便宜、快速、足够好

当你开始这么做，AI 写作就不再是“模型越贵越好”，而变成一门可以精打细算的手艺。

下一篇，我会把同一条「调研 → 提纲 → 初稿」工作流换成更新的推理模型做 A/B，并公开完整 token 账单和一套“自动路由”思路：让系统自己判断“该等就等，不该等立刻 fallback”。

想第一时间拿到可复制的路由逻辑，记得盯着。

#AI工作流 #o1 #Agent #AI写作 #提示词 #成本优化 #8848AI #人工智能