2026年9月，Wagtail CMS团队尝试整月只用 GLM 5.3 Flash 编码，当月 token 用量超过 20 亿。前半个月目标达成，该模型花费 68 美元，约合 4kWh 能耗和 365 克碳排放。后半个月不太顺利，有 10 亿 token 流向了其他模型。意外障碍之一是 vibe coding 的成本：实验性的 Wagtail MCP 服务器本是 vibe-coded 原型，选错模型后几乎一夜之间就花掉 4.5 亿 token、150 美元和 5kWh 能耗。

用 GLM 5.3 Flash 写了一个月代码

再具体看模型分布：

目标是整月都用图中青色的 GLM 5.3 Flash。顺利的部分是：上半月确实只用了这个模型，用量也稳稳落在预算内（68 美元，约 4kWh 能耗，365 克碳排放）。下半月就不太行了，有 1B tokens 流向了其他模型。

意外的障碍

氛围编程的代价

我们一直很坦白，实验性的 Wagtail MCP server 就是个氛围编程出来的原型。氛围编程不是我们通常追求的方式，但对原型来说正合适。可惜它仍有代价：我为这个原型选了「错误」的模型，几乎一夜之间花掉 450M tokens / 150 美元 / 5kWh 能耗。MCP server 本身运行良好，我们现在有了很好的能力演示，所以不算白花。

但这提醒我们要谨慎选择模型、谨慎使用 agent 式的工作模式。同样的结果很可能用五分之一的成本就能达到，多花的力气并不多。教训记下了：得为这类开销做预算，也要更小心。这本可以预见，现在算是知道了。

基础设施的麻烦

另一个意外是基础设施可用性。我们写过很多关于推理服务商对比的内容。我们的选择大多数时候都很好用，但它们太受欢迎了，容量比不过那些囤着 GPU 的大实验室。我们注意到 GLM 5.3 Flash 的性能明显下滑，很可能是因为它在相关模型的帕累托前沿上位置太靠前。

这意味着不得不切换到其他类似模型（DeepSeek V4.1 Flash、Qwen 3.8 Flash）。切换本身很简单，但依然出乎意料。

实验与研发的成本

最后，除了日常工程工作用一个模型，持续试验各种模型、跟上各家的发布节奏也十分必要。尤其在我们开始基准测试模型在 Wagtail 任务上的表现时，更需要跨大量模型的数据。先剧透一下我们的基准测试：

有了这类具体数据，引导人们选择更轻量的方案就容易多了；我们也能通过 agent skills 或新的 CLI 原型让这些方案更可行——那个 CLI 原型就是为了和 agent 配合良好而设计的。

收获与下一步

所以严格来说这次挑战是失败的：目标模型只占 50%，2B tokens 里只有 1B；能耗约 35 kWh，而不是 10。但我们学到了很多，这在当下至关重要。为 10 月做反思，以下这些能让它行得通：

1. 持续在本地测量并报告用量。不只看 tokens，还要看能耗和花费，最好还能看出这些东西如何带来实实在在的好结果。
2. 为实验做预算，而不只是为日常任务。更慎重地决定哪些原型值得做、该怎么做。
3. 更好的提示词选择和多智能体技术。编排者、侦察者、实现者、审查者各司其职，目标有边界。不是什么高深科技，但确实又多了一样要学的东西。
4. 继续推动更高效的技术和模型。Jev 式决策扩散模型如果能跑得这么高效，看起来很有前景。最新的旗舰模型在这方面也像是朝着对的方向迈了一步。

对日常开发工作来说，专注一两个 flash 档的便宜模型完全可行。一个可行的目标大概是：AI 推理工作的大多数都应当由这类高效模型完成，衡量标准是成本或能耗，而不是毫无意义的 tokens。这就是 10 月的目标。你也该试试，过程中会学到很多。

十一月来 Wagtail Space 2026 打个招呼，听听这一切最终如何收场！

多数人肯定闪存级模型用于原型开发的价值，少数人质疑原帖能耗数据及文章质量，并有人提醒注意开放模型归属问题。

认为闪存级模型适合日常编码与原型开发

• 用户反馈 GLM5.3-Flash 等廉价模型在模糊修复、默认助手场景表现良好，搭配规划与审查模型更佳，原型可行。（认可度：较多人） > 日常开发中聚焦一两个闪存级廉价模型完全可行（@fallinditch 意译）

质疑原帖能耗数字真实性与选型教训模糊

• 有用户指出服务商能耗数据含利润而非真实耗电，同模型不同平台价差因缓存处理可达数倍；另有人疑惑文中“选错模型”未给具体反例与预见方法，怀疑缓存被清致成本异常。（认可度：较多人） > 那些能耗数字只是另一种计费形式，并非实际能耗的代表（@benjiro29 意译）

认为AI数据中心能耗极低且建设可能严重过剩

• 基于文中模型仅耗电4度、成本占比1%，有用户类比相当于电动车行驶15英里或烧开水，推断行业扩建如同暗光纤般过度，芯片产能受限反成经济救星。（认可度：少数人） > 4度电不过是烧开约38升水，能耗成本仅占总支出的百分之一（@epistasis 意译）

担忧开放模型推理归属与地缘影响

• 用户提醒“开放模型”常被忽略推理发生地、所有者及可能反哺强化学习；有人对中国开源权重模型表达兴奋与担忧并存。（认可度：少数人） > 人们很少追问开放模型的推理归谁所有、如何喂养训练（@consumer451 意译）

接受原型代码可抛弃而不求生产级

• 有用户共鸣作者“原型好用即可”，认为 vibe coding 可解复杂任务但产物不宜直接上线，应重拾“首次尝试会丢弃”的常态。（认可度：少数人） > 你能应付极复杂任务，但我绝不会日常使用AI产出的GPU驱动（@nxobject 意译）

有价值的补充

• 闪存模型编码需配好规划与审查：可用低价规划模型加中等审查模型弥补一致性（@throw930rmdkdk）。
• 缓存机制决定长任务成本：DeepSeek 官方 API 缓存命中率近99%且支持24小时缓存，远优于部分第三方，长期会话价差可拉大2-3倍（@benjiro29）。
• 资源效率新动向：Qwen3.8-Flash-Next 接近 GLM5.3-Flash 体验但需更少资源，后续版本受期待（@hgoel）。