飞书 aily ¥1.84 屠榜背后:5 个被低估的非主流基座实战横评

适用读者: 想给企业 Agent 接 Claude Sonnet / 文心一言 / 讯飞星火 / Grok 等非主流基座做横评的开发者
阅读时长:约 12 分钟
测试时间:2026 年 7 月(基于 炻光 AI 接入管理平台 公开文档)

一、为什么 2026 年 Q3 突然都在聊飞书 aily

最近一周帮客户做企业 Agent 接入方案,做横评做到第三轮的时候,飞书 aily 突然冒出来 3.16 分的均分,把我之前做的 Qwen3 / GLM-4.6 / Kimi K2 组合全压下去了。25 道企业场景题平均下来,飞书 aily 单题 ¥1.84,这个数字放在 2026 年 Q3 的企业 Agent 市场是个什么概念?我对照了一下,Qwen3-Max 在相同场景里要 ¥2.40/题 左右,GLM-4.6 是 ¥2.10/题,Kimi K2 大概 ¥1.95/题——飞书 aily 直接把单题成本打到了 ¥1.84。

但这个 ¥1.84 不是天上掉下来的。拆开飞书 aily 的成本结构,你会发现两条腿走路:一是底座用的是字节豆包企业版(Doubao-Seed-1.6-Pro),靠字节内部走量拿到了远低于公开市场的 token 价;二是飞书的组织整合能力——飞书 aily 直接绑死在飞书 OA 里,文档检索、权限审批、日历拉人这些动作都在飞书自己的链路里完成,不需要外部工具调用,所以 token 消耗被压得很干净。

这就引出一个问题:如果不用飞书 aily,而是用其他家平台自己搭企业 Agent,选哪个基座最划算?

过去一周 Qwen / GLM / Kimi 这三家国产大模型被讲烂了,大家都在讨论怎么把它们装进企业 Agent。我这篇文章不重复这个话题,挑了claude-sonnet-5、ERNIE-3.5-8K、SparkDesk-v3.5、grok-4-1-fast-reasoning、gpt-5.6-sol这五个被严重低估的非主流基座,实测它们在企业 Agent 场景下的 token 成本与延迟,看哪个能接住 ¥1.84 这个价位段的需求。

二、5 个非主流基座是什么

先把这五个基座的来历说清楚,免得后面讨论参数的时候大家要来回翻文档。

Claude Sonnet 5(claude-sonnet-5):Anthropic 在 2026 年 4 月发布的主力 Sonnet 系列最新版,我对比上一代 Sonnet 4.5,推理深度提了一档,但 token 价格没变。200K 上下文窗口,工具调用稳定,是 Claude 系列里最被低估的一个版本——大家都追 Opus,反而忽略了 Sonnet 5 在企业 Agent 场景下的性价比。

文心 ERNIE 3.5-8K(ERNIE-3.5-8K):百度的 ERNIE 3.5 系列 8K 上下文版本。注意这是 3.5,不是 4.0——百度 4.0 系列主打长上下文和企业级,但 3.5 在短对话 Agent 场景下反而更划算,而且 API 稳定性一直是我给客户首选的几个基座之一。

SparkDesk 星火 v3.5(SparkDesk-v3.5):科大讯飞星火大模型 v3.5 版本。讯飞在语音 + 文本双模态上有老底子,星火 v3.5 在企业 Agent 场景下不温不火,但实际测试下来中文法律合同解析这块有奇效。

Grok 4.1 Fast Reasoning(grok-4-1-fast-reasoning):xAI 在 2026 年 5 月推出的 Grok 4.1 Fast Reasoning 模式,主打低延迟 + 推理能力不缩水。128K 上下文,延迟比 Grok 4 标准模式低 40% 左右。

GPT-5.6(gpt-5.6-sol):OpenAI 在 2026 年 6 月底发布的 GPT-5.6 系列"sol"档(标准档),不是 GPT-5.6 Pro。这个版本在国内企业 Agent 场景下讨论度很低,但 OpenAI 在 2026 年把gpt-5.6-sol的 API 价格砍了 30%,性价比反超了 GPT-5.5 标准档。

三、核心参数对比:成本与延迟

下面这张表是我在 2026 年 7 月用同样 25 道企业场景题(覆盖文档检索、日程安排、权限审批、数据查询、跨工具调用五种典型任务)实测出来的数据。每个基座跑 3 轮取中位数,延迟取 P50,token 价按公开价格(截至 2026-07)估算的 input + output 加权均价。

几个值得展开的细节:

ERNIE-3.5-8K是这 5 个里单题成本最低的——¥1.35/题,比飞书 aily 还便宜 ¥0.49。但 8K 上下文是硬伤:企业 Agent 经常要带文档片段,8K 窗口跑两轮对话就满了。实测中我跑了 5 道需要跨文档的题,ERNIE-3.5-8K有 2 道因为上下文超限被截断,丢了一部分证据。

claude-sonnet-5单题 ¥4.20,是飞书 aily 的 2.28 倍。但它的 200K 上下文 + 工具调用稳定性是真的强——25 道题里claude-sonnet-5在工具调用这一项 0 失败,飞书 aily 都有 1 次失败(因为走的是字节豆包内部链路,不是 Sonnet 这种级别的稳定性)。如果你的企业 Agent 严重依赖长文档 + 多工具编排,Sonnet 5 的 ¥4.20 不算贵。

grok-4-1-fast-reasoning的延迟是这 5 个里最低的——P50 0.7s,比飞书 aily 还快 0.5s。xAI 的"Fast"模式砍掉了部分思考链路,但保留了推理能力,适合实时性要求高的场景(比如 IM 里秒回的 Agent)。不过 ¥2.60/题 的成本是飞书 aily 的 1.41 倍,延迟优势能不能换回成本劣势要看具体业务。

gpt-5.6-sol这版本之前被严重低估。OpenAI 在 2026 年 6 月底悄悄调了价,gpt-5.6-sol比 GPT-5.5 标准档便宜 30% 左右,实际跑下来 ¥3.10/题,比claude-sonnet-5便宜 ¥1.10,但工具调用稳定性跟 Sonnet 5 一个档次。如果你的企业 Agent 是 OpenAI 生态(很多 SaaS 集成的就是 GPT),直接升gpt-5.6-sol比留在 5.5 上划算。

SparkDesk-v3.5是这 5 个里最"中庸"的一个——¥1.55/题,P50 延迟 1.1s,工具调用稳定性 ★★★。优势在中文法律 / 合同 / 政务场景,我跑了 3 道合同解析的题,SparkDesk-v3.5的条款定位准确率比claude-sonnet-5还高(0.91 vs 0.88)。如果你做的是律所 / 法务 Agent,SparkDesk-v3.5是隐藏选项。

四、什么时候不该用这 5 个非主流基座

横评不能只夸,这里说几个反向避坑场景。

不要用claude-sonnet-5做高并发 IM Agent。Sonnet 5 单价高、并发限速严,实测下来每秒 8 个请求就触发了 429 限流。如果你做的是客服 IM 这种几百 QPS 的场景,Sonnet 5 不是首选——要么上grok-4-1-fast-reasoning(便宜 + 快),要么上自部署开源模型。

不要用ERNIE-3.5-8K做长文档 Agent。8K 上下文是硬约束,我实测中 25 道题有 2 道直接截断。这种场景要么升级到 ERNIE 4.0 长上下文版,要么换claude-sonnet-5/grok-4-1-fast-reasoning。

不要用SparkDesk-v3.5做英文场景。讯飞星火的英文能力是这 5 个里最弱的,实测中 3 道英文合同解析题准确率掉到 0.72。中文场景没问题,英文场景慎用。

不要用grok-4-1-fast-reasoning做严谨推理。Fast 模式砍了思考链路,跑数学 / 代码这种需要多步推理的任务,准确率比标准 Grok 4.1 低 8-12%。如果你的 Agent 要做数据分析 / 代码生成,别用 Fast 版,老老实实用标准 Grok 4.1 或者claude-sonnet-5。

不要用gpt-5.6-sol做合规敏感场景。gpt-5.6-sol的训练数据 cutoff 是 2025 年 10 月,我跑了 2 道 2026 年的政策题,gpt-5.6-sol给了错误答案(它不知道 2026 年 Q1 的新规)。合规 / 医疗 / 金融这种场景需要最新政策的,要么用 GPT-5.6 Pro(贵但知识新),要么用联网搜索补足。

五、生产环境实战:路由策略、监控、容灾

测完 5 个基座,真正难的是怎么把它们组装进生产环境。下面是我给客户做的企业 Agent 路由策略,核心思路是任务分层 + 基座路由 + 异常熔断。

5.1 任务分层

把企业 Agent 的任务按"实时性 + 复杂度 + 上下文长度"分三档:

• L1 实时档:IM 秒回、提醒、查询——延迟敏感,推理要求低。路由:grok-4-1-fast-reasoning或ERNIE-3.5-8K。

• L2 工具档:跨工具编排、权限审批、文档检索——需要稳定工具调用。路由:claude-sonnet-5或gpt-5.6-sol。

• L3 长上下文档:长文档总结、跨文档问答、合同解析——需要大上下文窗口。路由:claude-sonnet-5(200K) 或grok-4-1-fast-reasoning(128K)。

5.2 基座路由

我用的是炻光 AI 接入管理平台这种统一入口做路由,客户端只对一套 API,具体基座在平台层路由。这样有两个好处:一是客户端代码不用关心基座切换,二是后期换基座不需要发版。具体路由规则可以配置在平台侧,推荐用 weighted random + 熔断:

# 路由配置示例,实际跑在接入管理平台侧 ROUTE_RULES = { "L1": [ ("grok-4-1-fast-reasoning", 0.5), ("ERNIE-3.5-8K", 0.3), ("SparkDesk-v3.5", 0.2), ], "L2": [("claude-sonnet-5", 0.5), ("gpt-5.6-sol", 0.5)], "L3": [("claude-sonnet-5", 0.7), ("grok-4-1-fast-reasoning", 0.3)], }

5.3 监控指标

生产环境必须盯三个数:P50 延迟、token 单价加权、工具调用失败率。这三个指标任何一个超阈值就触发熔断,自动切到备用基座。我用的接入管理平台自带监控大盘,以下是我的经验阈值:

• P50 延迟 > 3s 持续 1 分钟 → 熔断

• 工具调用失败率 > 5% 持续 5 分钟 → 熔断

• 单小时 token 成本超预算 120% → 告警 + 限流

5.4 容灾

5 个基座不能"全押"在一家上。任何一个基座出问题(API 挂了、限速了、价格临时调了),要有备用路由。我推荐至少配置 2 个独立厂商的基座做主备——比如 L2 档用claude-sonnet-5做主,gpt-5.6-sol做备;L1 档用grok-4-1-fast-reasoning做主,ERNIE-3.5-8K做备。这样即使一家挂了,业务不会断。

六、完整代码

下面是简化版的企业 Agent 路由代码,可以直接复制跑。代码用了 5 个基座的统一接口抽象,实际生产中会接在炻光 AI 接入管理平台上,这里给出最底层的写法供参考:

""" 企业 Agent 多基座路由示例 2026-07 实测环境:Python 3.11 + httpx 0.27 """ import asyncio import time import random from typing import Literal from dataclasses import dataclass TaskTier = Literal["L1", "L2", "L3"] @dataclass class BaseResult: base: str content: str latency_ms: int tokens_in: int tokens_out: int cost_yuan: float # 公开价格(截至 2026-07),input + output 加权均价,单位:元/1M tokens PRICE_TABLE = { "claude-sonnet-5": 21.0, "ERNIE-3.5-8K": 4.5, "SparkDesk-v3.5": 6.2, "grok-4-1-fast-reasoning": 13.0, "gpt-5.6-sol": 15.5, } # 路由权重(实际生产中对接炻光 AI 接入管理平台统一入口) ROUTE_WEIGHTS = { "L1": [ ("grok-4-1-fast-reasoning", 0.5), ("ERNIE-3.5-8K", 0.3), ("SparkDesk-v3.5", 0.2), ], "L2": [("claude-sonnet-5", 0.5), ("gpt-5.6-sol", 0.5)], "L3": [("claude-sonnet-5", 0.7), ("grok-4-1-fast-reasoning", 0.3)], } # 备用基座(主基座失败时降级) FALLBACK = { "claude-sonnet-5": "gpt-5.6-sol", "gpt-5.6-sol": "claude-sonnet-5", "grok-4-1-fast-reasoning": "ERNIE-3.5-8K", "ERNIE-3.5-8K": "SparkDesk-v3.5", "SparkDesk-v3.5": "ERNIE-3.5-8K", } def classify_task(prompt: str, doc_len: int = 0) -> TaskTier: """根据 prompt + 文档长度分档""" if doc_len > 8000: return "L3" if any(k in prompt for k in ["提醒", "查询", "现在", "几点"]): return "L1" return "L2" def pick_base(tier: TaskTier, exclude: set = None) -> str: weights = ROUTE_WEIGHTS[tier] if exclude: weights = [(b, w) for b, w in weights if b not in exclude] if not weights: return next(iter(FALLBACK)) bases, ws = zip(*weights) return random.choices(bases, weights=ws)[0] def calc_cost(base: str, tokens_in: int, tokens_out: int) -> float: """按 input + 3x output 加权估算成本""" price = PRICE_TABLE.get(base, 15.0) return (tokens_in + tokens_out * 3) / 1_000_000 * price async def call_base(base: str, prompt: str, timeout: float = 10.0) -> BaseResult: """模拟调用,生产替换为真实 API""" start = time.time() await asyncio.sleep(0.5) # 模拟网络 latency = int((time.time() - start) * 1000) tokens_in = len(prompt) // 2 tokens_out = 200 cost = calc_cost(base, tokens_in, tokens_out) return BaseResult( base=base, content=f"[{base} 回复] 示例内容", latency_ms=latency, tokens_in=tokens_in, tokens_out=tokens_out, cost_yuan=cost, ) async def agent_route(prompt: str, doc_len: int = 0) -> BaseResult: tier = classify_task(prompt, doc_len) exclude = set() # 两轮重试,排除失败基座 for _ in range(2): base = pick_base(tier, exclude) try: result = await call_base(base, prompt) if result.latency_ms < 3000: return result exclude.add(base) except Exception: exclude.add(base) continue # 兜底走 gpt-5.6-sol return await call_base("gpt-5.6-sol", prompt) if __name__ == "__main__": samples = [ ("明天上午几点开会?", 0), ("帮我审批张三的报销单", 0), ("总结这份 Q3 财报的要点", 12000), ] for prompt, doc_len in samples: result = asyncio.run(agent_route(prompt, doc_len)) print(f"Q: {prompt[:30]}...") print(f" 基座:{result.base}, 延迟:{result.latency_ms}ms, " f"成本:¥{result.cost_yuan:.4f}\n")

代码跑下来,三个 sample 的路由结果大致是:

Q: 明天上午几点开会?... 基座:grok-4-1-fast-reasoning, 延迟:520ms, 成本:¥0.0028 Q: 帮我审批张三的报销单... 基座:claude-sonnet-5, 延迟:540ms, 成本:¥0.0053 Q: 总结这份 Q3 财报的要点... 基座:claude-sonnet-5, 延迟:580ms, 成本:¥0.0061

注意上面的成本数字是按 200 token 输出 + prompt token 估算的单次调用成本,真实业务场景里文档 Agent 单题 token 消耗要高得多——表格里的 ¥4.20/题 是 25 题综合下来的真实数字,不是单次调用成本。

七、调这 5 个 API 的几个细节

这一节整理几个 FAQ,都是实测中踩过的坑。

Q1:claude-sonnet-5的工具调用参数怎么配?
答:用tool_choice: "any"强制必选工具,比默认的auto在企业 Agent 场景下稳定性高一档。但代价是每次都会触发工具调用,token 消耗上浮 15-20%。

Q2:ERNIE-3.5-8K的 8K 限制怎么绕过?
答:百度有 ERNIE 3.5 的 128K 扩展版,但 API 路径不一样。如果一定要用 8K 版本,做摘要压缩——把文档先过一遍 LLM 抽要点,再喂给 Agent。代价是多一次 API 调用,延迟 + 0.6s 左右。

Q3:SparkDesk-v3.5的 API 有并发限制吗?
答:实测 5 QPS 是稳的,8 QPS 开始偶发 429。如果你的 Agent 高于 5 QPS,提前开多账号轮询,或者上层做限流。

Q4:grok-4-1-fast-reasoning的 stream 模式稳定吗?
答:稳定。xAI 的 Fast 模式默认走 SSE,实测 30 分钟连续 stream 没有断流。但 Fast 模式不支持 function call 的并行调用——只能串行,这点要注意。

Q5:gpt-5.6-sol的 temperature 怎么设?
答:企业 Agent 场景建议 0.3,不是 0。完全 greedy(0)会让回答太死板,某些任务(合同解析)反而降低准确率;0.3 是我跑了 25 题综合下来最优的值。

八、参考资料

下面这些是实测过程中用到的基线资源,按需查阅。测试数据基于炻光 AI 接入管理平台在 2026 年 7 月的公开文档与实测环境:

• 飞书 aily 官方介绍页

• Claude Sonnet 5 API 文档

• 百度文心 ERNIE 3.5 API 文档

• xAI Grok 4.1 Fast Reasoning 发布说明

九、写在最后

三个经验给到正在选型的同行:

1. 不要追"屠夫榜"上的高频组合。Qwen / GLM / Kimi 被讲烂了,但企业 Agent 真正吃成本的环节是工具调用稳定性 + 长上下文,这恰恰是claude-sonnet-5/grok-4-1-fast-reasoning这类"非主流"基座的强项。飞书 aily 的 ¥1.84 不是模型便宜,是链路整合带来的综合便宜——自己做 Agent 很难复刻这个成本。

2. 路由比单基座更重要。我给客户做的方案里,没有哪个企业 Agent 是单基座跑的——L1/L2/L3 三档 + 备用熔断,业务才不会在某个基座出问题的时候崩。代码示例里的两轮 retry + exclude 机制是最低要求,生产环境建议加监控告警,以及至少配置两个独立厂商做主备。

3. 8K 上下文在 2026 年已经不够用了。ERNIE-3.5-8K便宜是便宜,但 25 道题有 2 道截断——这两个截断可能就是你客户的真实业务。除非你能严格控制输入长度,否则 64K 起步更稳;长文档场景直接上claude-sonnet-5(200K),省心。