说个暴论：不用本地模型的人不会用 AI 2026 年的当下，开源模型和闭源模型之间的区别已经小到大多数普通人无法感知出来的程度了，但是他们成本的差距是巨大的。 很多人仍然在订阅付费的闭源模型，是因为他们还在把 AI 当做聊天工具用，完全没有自己的系统工作流去自动化各种工作，现在 AI 能做到的事在高手手里远远超乎普通人的想象。 信息收集，写文章，作图，做 ppt，做视频，连接日历，聊天工具，vibe coding 等等都是最最基础的使用场景，只是做这些事，那么订阅费仍然在一个可以接受的状态，当然 AI 去做这些事，也只能做到七八十分的样子 那么怎么让 AI 产出的结果能去到 90 分，甚至 95 分呢? 就写文章来说，你需要一个非常细致的工作流。 1. 选题 根据不同平台的调性，个人擅长的领域，历史内容的数据，最近的热点，去找选题 2. 收集素材 去到不同平台， 各大新闻平台如彭博，路透，经济学人，纽约时报，Hacker News 各大社区平台如推特，reddit，小红书，公众号，知乎 各大博客平台如 Medium，各大 AI 公司官方博客，各大 AI 研究员的个人博客 最新视频和播客内容，如 podcast 和 youtube 的视频脚本 各种学术论文，如 arvix 或是该领域的论文平台 各种经典书籍，可以找相关免费书籍平台自己收集下来 3. 撰写文章 有了大量的高质量相关素材，AI 才能写出高质量的文章 当然素材只是辅助，辅助验证的论点，帮你补充有价值的信息。 核心的大纲，逻辑，观点的递进还是要自己来把握。 4. 写作风格 想要让 AI 产出的内容味道不要太冲，并且能够带有你自己的写作风格，需要把自己历史的文章提取出一个风格大纲来给 AI 使用。 5. 修改调整 初稿写完之后仍然需要重审，修改错误的逻辑，修改有问题的表达，并不能直接使用。 不提前两步，哪怕你直接从第三步开始做，我可以说 Claude 20$ 订阅 5 小时限额大概率写一篇文章都是不够的。 而这其中的步骤，有用到什么高深的模型能力吗？ Deepseek 还有 Qwen 等开源模型完全可以胜任其中所有的任务，而他们的成本是电费。 这还仅仅是写文章。 如果是写代码，很多人只是 vibe coding 一个 demo 出来然后就不管了。 但是软件项目最重要的是什么？ 是 engineering，是项目架构，是好维护，好扩展，高性能的系统。 仅仅给 AI 几句话是不可能做出好的软件的，那么解决方案是什么，要让人来一行一行 review 代码吗？ 让一个架构师去一行一行 review ifelse，forloop，是对人才的侮辱，是对人力资源极大的浪费，人需要做的就应该只有系统设计时的判断。 那么这些代码的细节，格式，CRUD，代码风格，还有不同模块间联动等问题就只能交给 AI 来审查。 这些审查密度必须要非常大，才能保证代码的质量，如果全部交给云端 AI 来做，那么这是巨大的浪费。 你难以想象每一次功能开发完毕后，都让 AI 把整个代码库事无巨细的扫描一遍来判断新代码是否会引发潜在问题的成本，如果交给云端 AI 来做会有多高。 而如果用本地模型，那么成本趋近于 0。 任何可验证的领域，逻辑都是这样。 当你成功做出了一个 AI 产品，但你需要交 30% 的利润给闭源 AI 付 token 费用，同时你又很难说它的模型到底比开源模型强了多少，对你自己的产品价值又提高了多少。 但你必须承担数据泄露的风险，模型更新后的迁移问题，模型降级的风险，甚至模型下线的风险，你的整个商业模式，就绑在了这个脆弱到不行的闭源云端模型上。 与此同时，这些闭源模型还大搞特殊，各种功能，API 调用方式都搞出一套自己的标准，大大提高了供应商迁移的成本，然后在窃取数据的同时，赚得高额利润。 他们还特别喜欢抨击开源模型，自己把维基百科爬的都快崩溃了，转头就说别人蒸馏自己，在没有任何法律依据，也没有任何证据的情况下，恶人先告状。 通过这一套说法来假装受害者，博取同情的同时，想要让潜在客户认为自己的模型比开源模型强的做法，实在令人作呕 。