每天打开各种 AI 工具，最先跳进视线的往往不是输入框，而是顶部或者侧边那个显眼的下拉菜单。
过去几个月，在几乎所有涉及生产力工具的从业者群聊里，我们总能看到类似的选型讨论：写文案用哪个模型更自然，写代码到底切到哪个版本，复杂推理是不是必须开重思考模式，日常搜索又该选哪个轻量版本。大家像老派工匠盘点工具箱一样，认真比较着各个模型的上下文窗口、首字延迟和单价差异，甚至整理出密密麻麻的场景路由对照表。
作为每天高频使用这些工具的实操者，我常常觉得这种状态很荒谬。在敲下第一个字之前，用户居然必须先完成一次心理预判：眼下这个任务到底有多难？是否值得忍受十几秒的慢思考？选便宜的模型会不会把逻辑写崩？选昂贵的旗舰模型是不是又大材小用？
这个被各大产品堂而皇之地放在核心交互区的模型选择器，表面上是把控制权交还用户，实际上却让普通使用者承担了沉重的操作税与认知税。
但如果把这件事完全归咎为产品团队的懒惰，其实也不公允。因为在产品设计上，这个选择器并不是某个人拍脑袋拍出来的，而是一场长达两三年的产品实验与剧烈摇摆后的无奈妥协。
摆锤的两端：OpenAI 的历史纠结
要看清模型选择器的本质，必须回顾一下 OpenAI 在 ChatGPT 上走过的弯路。
在早期版本里，OpenAI 曾经把各种能力和模型直接平铺在前端：GPT-3.5、GPT-4、代码解释器、联网插件、DALL-E 画图，五花八门的模式塞满了菜单。当时社区里铺天盖地全是抱怨：普通用户根本不知道怎么选，一次对话里想既查资料又写代码，还要反复切换入口。
后来，OpenAI 尝试做了一次激进的减法：把所有插件和模型统统藏起来，对外只留一个统一的入口，让系统在后台全自动识别意图和路由模型。
结果，这次全自动化的尝试被用户骂得更惨。
核心原因在于，用户从来不是单一维度的群体，同一个用户在不同时刻的诉求也完全不同。一个人在排查复杂的线上代码崩溃时，愿意忍受二十秒的慢推理以换取逻辑的绝对严密；但当他在同一个窗口里顺手查一个英文单词的词源时，他只希望系统在半秒钟之内迅速吐出答案。
当系统试图用纯黑盒的自动路由来接管一切时，灾难就发生了：用户想画图，系统可能误判成写 prompt；用户需要大模型深度推理，平台出于综合成本考虑可能悄悄调用了轻量模型，输出了缺乏深度的平庸回答。这种不可预期的黑盒分流，直接摧毁了使用者对产品的信任感。
于是，摆锤又荡了回去。OpenAI 只能把模型选择器重新端回前台，GPT-4o、o1、o3-mini、GPT-4o mini 重新排成一列。然而，面对这一长串专业术语和版本后缀，新用户依然感到困惑，众口难调的根本矛盾依然没有被化解。
为什么现在的做法依然是操作税
理解了历史的纠结，并不意味着我们应该坦然接受现状。
今天大多数 AI 产品的做法，实际上是从全自动黑盒的极端，直接摆到了彻底放弃治理的另一个极端：既然自动路由搞不定所有人的喜好，那我就一口气接入三十个模型、五个推理档位、三个联网开关，把所有底层参数和技术名词毫无保留地甩在输入框旁边。
这种做法表面上赋予了用户无限的自由，但本质上依然是一种责任转嫁。
当系统把算力选型、成本权衡和上下文管理的复杂度直接推到前台，产品的责任边界就变了。一旦回答效果不好，平台很容易把原因归结为用户没有选对合适的模型；一旦推理耗时太长，平台又可以解释为用户滥用了深度思考模式。
我在《AI 产品最怕的不是功能少，是主路径失守》里曾讨论过，AI 产品的核心生命线是让价值交付的主路径保持极短且顺畅。传统软件的功能膨胀是界面债务，而 AI 产品的功能膨胀更像是智能债务。当团队无法在核心主路径上提炼出清晰的交互契约时，最容易走的路就是往界面上堆砌各种参数和开关，用界面的复杂性掩盖产品在意图抽象上的无力。
用户打开工具是为了完成具体的业务任务，而不是在每轮输入前兼职做一名算力调度员。
我眼中有分寸的解法：意图分档与高级抽屉
我自己作为一个多工具、多模型的重度使用者，同时也在团队里推进 Agent 落地。在我看来，跳出纯黑盒与全手动的非此即彼，真正有分寸的方案其实非常清晰：把技术细节收拢进意图档位，把微调控制权留给高级抽屉。
这里有个现成的优秀样本，就是前段时间引发广泛讨论的 Manus。
如果你去看 Manus 在后台的实际运转，它在解决一个复杂任务时，底层其实会根据不同步骤灵活调用各种模型：有的步骤需要轻量模型快速提取结构，有的步骤需要写代码并执行环境，有的步骤需要多模态理解，有的步骤需要大模型做高强度的逻辑规划。它背后的模型调用矩阵极其复杂，但在前端面对用户时，它并没有在输入框旁边挂出一排模型下拉菜单，让你去纠结这一步该用哪个模型。
它给用户的感知极其纯粹，就是清晰的 Lite 和 Pro 两个版本。
用户只需要根据自己手头任务的体量做选择：是个简单的日常任务，还是个需要调动深度算力、多步执行的复杂任务。至于任务执行过程中到底是调用了三个模型还是五个模型，系统在底盘里自己搞定，根本不需要用户操心。
基于这样的实践，我认为一套成熟的 AI 产品控制面应该清晰地分为两层：
第一层，是面向绝大多数日常场景的粗粒度意图分档。
在主交互界面上，彻底拿掉那些晦涩的模型代号。用户不需要去背诵 Sonnet 和 Opus 的区别，也不需要去猜 o3-mini 的推理步数。产品只需要提供两到三个符合人类直觉的意图档位：
一个是日常快速响应档（类似 Lite），追求极低的首字延迟和轻量算力，处理日常问答、短文本润色和快速事实检索；
一个是深度推理与复杂任务档（类似 Pro），专门处理长链条逻辑推导、跨文件代码重构和复杂商业分析，明确告知用户会有数秒的思考过程，但在输出深度上拉满；
如果涉及全网深度调研或海量文档分析，还可以扩展一个专项研究档。
系统把复杂的模型技术指标，翻译成了用户一眼就能看懂的业务场景。用户只需要按需表达意图，剩下的多模型调度、上下文剪裁以及失败重试，全部由系统在底层闭环完成。
第二层，是为专业场景保留的高级覆盖抽屉。
这并不意味着我们要彻底剥夺专家的控制权。当我们需要固定模型版本跑 Benchmark、做严格的可复现实验，或者在企业级合规场景下指定数据只能流向特定私有模型时，底层控制依然不可或缺。
但我坚信，这种控制力应该作为一个折叠的高级抽屉存在。在这个抽屉里，你可以随意指定特定的 API 版本号、微调温度系数、锁定随机种子、或者自选推理步数。它是专业用户的逃生通道与调试面板，但绝不能成为所有普通用户主操作链路上的拦路门槛。
我在《用户不再点功能的时候，AI Native 才开始》里写过，AI Native 的本质演进，是让用户从操作底层功能走向直接委托结果。把底层模型的几十个开关收敛为直观的意图档位，把复杂的调度留给系统，正是这种委托关系的理性落地。
结语
回顾工业设计的演进，几乎所有复杂技术走向大众普及，都走过相似的路径。
早期汽车的驾驶室里，司机必须时刻通过方向盘旁的手动拉杆调节阻风门和点火提前角。到了现代汽车，行车电脑接管了所有的进气与点火微调，但依然会在中控台上给驾驶员保留经济、舒适和运动三种驾驶模式。
普通司机只需要根据路况选择是想省油还是想超车，行车电脑就会自动匹配对应的齿比和喷油逻辑；而真正需要下赛道的发烧友，依然可以长按关闭车身稳定系统，进入纯手动的赛道设置。
今天的模型选择器，正处于从早期机械拉杆向现代驾驶模式过渡的节点上。
一流的产品既不会傲慢地搞不可控的绝对黑盒，也不会偷懒地把几十个参数原样甩给用户。它们会耐心地把底层的技术碎片翻译成两三个清晰的意图阶梯，让复杂留在底盘，把从容还给使用者。