16
6 月
2026 国产大模型选型指南：Kimi K 3、Qwen 3.7、GLM 5.2、MiniMax M 2.7、DeepSeek V 4 怎么选
结论先行：不存在脱离任务的“最强国产模型”。需要托管工具和完整平台能力，可先评估 Qwen 3.7；需要超长上下文与长任务，可把 Kimi K 3 纳入候选；已有自建工具网关并重视工程控制，可评估 GLM 5.2；使用 Anthropic 协议或编程 Agent，可优先验证 MiniMax M 2.7；对价格敏感且已有 DeepSeek 兼容链路，则应以 DeepSeek 官方控制台当前可用模型为准。最终选择必须用同一批业务样本验证。
本文是智盒国产模型选型内容的中心页。它不把厂商榜单混成一个总分，而是把问题拆成成本、上下文、Agent 工具和部署约束。事实核验截止于 2026 年 7 月 25 日。
五个候选的定位
| 模型系列 | 更适合 | 主要核验点 |
|---|---|---|
| Qwen 3.7 | 希望使用 Responses API、托管搜索与代码工具的团队 | 具体模型 ID、API 类型、工具单独计费 |
| Kimi K 3 | 长文档、长任务、动态工具目录 | API 与产品层能力边界；开源权重尚未到官方预告日期 |
| GLM 5.2 | 自建工具执行层、长程编码与企业流程 | Function Calling、流式工具参数、独立搜索服务 |
| MiniMax M 2.7 | Anthropic 兼容接口、编程 Agent | 文本 API、Token Plan MCP 与 Mini-Agent 的边界 |
| DeepSeek V 4 | 价格敏感、已有 DeepSeek API 兼容链路 | 只采用官方控制台已列出的模型 ID、价格和限流 |
Kimi 官方在 K 3 发布说明中预告开源权重于 7 月 27 日提供；截至本文核验日，该日期尚未到来。因此本文只确认已经公开的 API、应用和 Kimi Code 能力，不把未来权重发布写成既成事实。
按任务选择，而不是按榜单选择
API 成本
同一个“每百万 token 单价”无法直接代表任务成本。缓存命中、思考 token、工具费、失败重试和输出长度都会改变最终账单。先用国产大模型 API 价格与成本比较统一输入输出规模，再按成功任务成本决策。
长上下文
标称上下文长度不等于有效信息提取能力。合同审阅、代码仓库分析和多轮 Agent 对记忆保真度的要求不同。可用国产大模型长上下文选型指南建立“长度、召回、延迟、成本”四项验收表。
Agent 与工具调用
Function Calling、厂商托管工具和 Agent harness 是三层能力。模型会生成函数参数，不代表它会执行工具；产品演示中的搜索和终端能力，也不一定属于裸 API。详见国产模型 Agent 工具调用选型。
一套可复用的生产验收法
- 固定 30—50 条真实业务样本，覆盖正常、歧义、超长和失败路径。
- 所有候选使用相同提示词、工具定义、超时、重试与输出格式。
- 同时记录任务完成率、人工接管率、P 95 延迟和单次成功任务成本。
- 锁定模型快照或版本，避免测试与上线指向不同模型。
- 对提示注入、越权工具调用、敏感信息和不可逆操作设置人工审批。
若任务涉及推理吞吐，可参考Cerebras 运行 Kimi K 2.6 的 981 tokens/s 意味着什么；这个数字来自特定服务与测试条件，不能直接代替你的业务压测。
相关阅读
常见问题
哪个国产模型最适合编程？
要区分代码补全、仓库级修改、终端 Agent 和代码审查。用同一代码仓库、测试集和权限策略验证，不能把单一 benchmark 当成生产结论。
上下文越长越好吗？
不是。更长上下文可能增加成本和延迟，也不保证模型能稳定找到关键证据。先确定实际文档长度和召回要求。
兼容 OpenAI 或 Anthropic API 就能无缝迁移吗？
不能。字段兼容不代表工具调用、思考历史、流式增量、错误码和限流完全一致，仍需回归测试。
为什么没有给出统一总分？
统一总分会掩盖业务权重。客服、代码 Agent、研究助手和企业流程对成本、延迟、权限和准确率的容忍度完全不同。
价格多久复核一次？
上线前复核一次，之后至少每月复核；若厂商发布新模型、缓存策略或套餐，应立即重算成功任务成本。
官方来源
本文由 AI（Codex）基于公开来源整理并完成结构化核验，发布由智盒运营流程执行。
分享这篇文章
RELATED
Posts
PolyAI 的语音 AI 延迟砍到 280ms，碾压 OpenAI 三倍——但这有什么可吹的？
PolyAI 发布 Dialog-RSN-1 语音对话模型，端到端延迟降至 280ms，是 OpenAI GPT-realtime-2.1 的三分之一——语音 AI 终于不会打断你了。
2026年7月 Vibe Coding 六大工具横评：Lovable、Bolt、Cursor、Replit、v0、Claude Code 怎么选？
核心结论：Vibe Coding 工具选型不是「谁最好」，而是「谁最适合你」。非技术创业者首选 Lovable，专业开发者首选 Cursor，追求极速原型选 Bolt，React 前端选 v0，一站式学习选 Replit，终端重度用户选 Claude Code。最重要的是——高手都在用混合流水线，从不只用一把刀。
为什么 2026 年每个人都在讨论 Vibe Coding？
Vibe Coding 这个词从 2025 年初被创造出来，到被 Collins 词典选为年度词汇，再到 2026 年成为一个 $47 亿规模的市场——整个过程只用了 18 个月。
几个数字让你感受一下这个赛道的热度：
41% 的全球代码已经是 AI 生成的92% 的美国开发者每天使用 AI 编程工具87% 的 Fortune 500 公司至少部署了一个 Vibe Coding 平台Lovable...
2026 国产模型 Agent 工具调用选型：Qwen 3.7、Kimi K3、GLM 5.2、MiniMax M2.7 怎么选
从 Function Calling、官方内置工具与 Agent harness 三层拆解 Qwen 3.7、Kimi K3、GLM 5.2、MiniMax M2.7，并附生产验收清单
2026 国产模型长上下文选型：Kimi K3、Qwen 3.7、GLM 5.2 怎么选
比较 Kimi K3、Qwen 3.7 与 GLM 5.2 的 1M 上下文、输出和模态边界，给出长文档、RAG、大型代码库的选型决策树
2026 国产大模型 API 价格对比：五家官方报价与成本选型
基于截至 2026 年 7 月 25 日的厂商官方页面，对比 Qwen 3.7、GLM-5.2、Kimi K3、MiniMax M2.7 与 DeepSeek V4 的输入、输出和缓存价格，并用统一公式估算月度成本
Marketing Skills — 37K 星 AI Agent 营销技能库：CRO、SEO、文案、增长工程一站式 Agent 工具包
一句话结论：Marketing Skills 是 Corey Haines 构建的一个开源 AI Agent 营销技能库，已在 GitHub 获得 37,000+ Stars。它包含 36 个结构化营销技能，覆盖转化率优化（CRO）、文案写作、SEO 审计、数据分析、增长工程等领域，让 AI 编码 Agent 变身专业营销顾问。 项目介绍 Marketing Skills 是一个遵循 Agent Skills 规范 的技能集合。每个技能是一个 Markdown 文件，给 AI Agent 注入特定营销任务的专业知识和结构化工作流。当你在项目中添加这些技能后，Agent 能识别你正在做营销任务，自动应用正确的框架和最佳实践。 作者 Corey Haines 是 Conversion Factory 和...
AI Job Search — 7K 星 Claude Code 求职框架：让 AI Agent 帮你投简历、写求职信、模拟面试
一句话结论：AI Job Search 是一个基于 Claude Code 的 AI 求职框架，在 GitHub 上已获得 7,000+ Stars。它把 Claude Code 变成一个全能求职助手：自动评估岗位匹配度、定制简历、写 Cover Letter、准备面试。TypeScript 开发，MIT 开源。 项目介绍 AI Job Search 由丹麦开发者 Mads Lorentzen 创建，核心思路是：把求职变成一个结构化的、AI 可执行的流水线。你只需填写个人资料（CV、技能、经历），Claude Code 会自动完成后续所有步骤。 核心工作流（自我画像→岗位匹配评估→起草-审查申请流水线）是语言和国家无关的。内置的丹麦求职门户技能（Jobindex、Jobnet 等）可以替换为你当地的求职网站。项目还提供了 /add-portal 命令自动生成新求职门户的搜索技能。 核心功能 自我画像：填写 CV、技能、工作偏好后，Agent 自动建立你的职业画像
岗位匹配评估：Agent 分析岗位描述，评估匹配度，给出申请建议
简历定制：根据目标岗位自动调整简历重点和关键词
Cover Letter 生成：起草-审查双 Agent 流水线，确保质量
面试准备：基于岗位描述生成常见问题和回答建议
LinkedIn 全球搜索：通过公开...
Agent Skills — Addy Osmani 开源的 AI 编码 Agent 24 技能包：从 Spec 到 Ship 全生命周期工程规范
一句话结论：Agent Skills 是 Google Chrome 工程总监 Addy Osmani 开源的生产级 AI 编码 Agent 技能包，24 个技能覆盖 Define→Plan→Build→Verify→Review→Ship 完整开发周期。支持 Claude Code、Cursor、Codex、Copilot 等 70+ 工具。将 Google 工程文化的最佳实践编码为 Agent 可执行的结构化工作流。 项目介绍 AI 编码 Agent 默认走最短路径——跳过 Spec、跳过测试、跳过安全审查。Agent Skills 给 Agent 注入了资深工程师的工程纪律：什么时候写 Spec、测试什么、怎么审查、什么时候上线。这不是通用 Prompt，而是经过 Google 工程文化验证的、结构化的、有明确验证标准的工程工作流。 每个技能包含：流程步骤、验证检查点、反借口表（阻止 Agent 跳过步骤）、红线标记。设计理念来自
12-Factor Agents — 构建生产级 LLM 应用的 12 条原则：从原型到可靠产品的工程方法论
一句话结论：12-Factor Agents 是 HumanLayer 提出的构建生产级 LLM 应用的 12 条工程原则，受 12-Factor App 方法论启发。它回答了一个核心问题：什么原则能让我们构建的 LLM 应用真正达到可以交付给生产客户的质量标准？ 项目介绍 作者 Dexter 在构建 AI Agent 产品时发现一个普遍问题：大多数 Agent 项目能达到 70-80% 的质量，但突破 80% 进入生产级别需要深入了解框架内部。他提炼了 12 条原则，帮助开发者从一开始就用正确的方式构建可靠的 LLM 应用。 核心洞察：即使 LLM 持续指数级增长，依然存在核心工程技巧让 LLM 应用更可靠、更可扩展、更易维护。最关键的是——你不需要全盘重写来采用 Agent 架构，可以逐步将 Agent 的模块化概念融入现有产品。 12 条原则 自然语言优先 — 用自然语言定义...
Chatwoot — 30K 星开源客服平台：自托管替代 Intercom/Zendesk，支持全渠道 + AI Agent
一句话结论：Chatwoot 是 GitHub 上 30,000+ Stars 的开源客服平台，自托管替代 Intercom 和 Zendesk。支持网站实时聊天、邮件、WhatsApp、Facebook 等全渠道收件箱，内置 AI 助手和知识库。Ruby on Rails 开发，数据完全私有。 项目介绍 Chatwoot 是现代开源客服支持平台，为需要完全控制客户数据的企业设计。它将所有客户对话集中到一个强大的收件箱，无论客户从哪里联系你。支持 网站实时聊天、邮件、Facebook、Instagram、Twitter、WhatsApp、Telegram、Line、SMS 等渠道。 核心优势：完全自托管，数据归你所有。适合有合规要求（GDPR、HIPAA）或不想把客户数据交给第三方 SaaS 的企业。 核心功能 全渠道收件箱：网站、邮件、社交、即时通讯，一个界面管理所有对话
AI 助手：自动回复、意图识别、情感分析、对话摘要
知识库：内置帮助中心，支持多语言
联系人管理：客户画像、交互历史、自定义字段
团队协作：对话分配、内部备注、预设回复（Canned Responses）
自动化：基于规则的自动分配、标签、触发器
API 和 Webhook：完整 REST API，支持自定义集成
移动端：React Native 构建的 iOS/Android App 安装方式 # Docker 一键部署（推荐）
docker run -p 3000:3000 chatwoot/chatwoot # 手动安装（Ubuntu）
git clone https://github.com/chatwoot/chatwoot.git
cd...
评论 (5)
[…] 想先了解模型、上下文与代码能力的宽口径差异，可看2026 国产大模型横向比较；本文只处理工具调用选型。 […]
[…] 资料核验截至 2026 年 7 月 25 日。本文比较官方已披露能力，不包含智盒自建 benchmark 或未经披露的实测数据。想先了解国产模型的整体格局，可阅读2026 国产模型综合对比。 […]
[…] 但开源的现实约束也不可回避：2.8 万亿参数的推理需要至少 8 块 H 100（以 FP 8 精度估算），这意味着真正能独立运行和验证这套模型的研究机构并不多。在2026 国产大模型横向比较中，K 3 的参数规模远超同期开源模型，开源是一种姿态，但”能用得上”的开源才是实际的开源。 […]
[…] Jeffrey Ladish 在事件后的表态直指核心：「必须要有政府监管，因为否则就不会发生。」他的逻辑很简单：在竞争压力下，领先的 AI 公司倾向于在安全措施上做最小可行投入，而不是最大可能投入。没有外部强制力，这种激励机制不会改变。这场讨论与更广泛的AI 模型安全与治理议题深度交集——前沿能力与安全监管的拉锯，正在成为整个行业的核心矛盾。 […]
[…] 本文只采用厂商官方定价、模型与 API 文档，检索截止 2026 年 7 月 25 日。价格按每百万 Token 列示，保留厂商原币种，不包含税费、企业合同折扣、赠送额度或汇率换算，也不代表我们亲测过模型效果。若你还要比较代码能力与开源路线，可先看国产代码模型能力与场景横评。 […]
评论被关闭。