LLM（基座模型）

LLM（Large Language Model，大语言模型）根据上下文进行推理、生成文本、编写代码、总结信息或规划步骤。聊天助手、代码助手和 Agent 的生成能力来自它。

分工

LLM -> 理解、推理和生成
Agent 工具 -> 上下文、工具调用、文件操作和任务流程
MCP / 插件 -> 连接外部工具、数据源和服务

LLM 与 Agent 工具是两层。同一工具可以更换模型，同一模型也可以被多个工具使用。效果同时取决于上下文、工具能力、权限、Prompt 和任务拆解。

选择依据

按任务和成本选择。排行榜只作参考，用真实任务验证。

• 推理：复杂分析、数学、架构设计、长链路排查。
• 编码：生成、补全、重构、测试修复中的实际表现。
• 上下文长度：长文档、长日志、跨文件分析。
• 工具调用：能否稳定选择工具并理解工具结果。
• 中文：阅读、写作、注释和文档。
• 速度：频繁问答、编辑器补全、快速迭代。
• 价格与限额：订阅限制、API 价格、缓存策略。
• 稳定性：同一 Prompt 多次执行是否稳定，是否遗漏约束或编造信息。

场景	侧重点
日常问答	响应快、成本低、中文自然；要求清晰、稳定
编码与重构	代码理解、跨文件上下文、测试修复、工具调用稳定；复杂任务用更强推理
文档与总结	长上下文、结构化输出、中文表达
调研与方案	推理和信息筛选；区分事实、推断和建议

规则

• 简单任务用速度快、成本低的模型；复杂任务再换推理更强的模型。
• 可以先分析，再决定是否修改或执行。
• 高风险任务在 Prompt 中写明权限边界和验收标准。
• 长上下文任务先提供相关文件、日志和背景。