Lindy 把 Claude 换成 DeepSeek，砍 90% 成本——他们是怎么做到用户无感的？
一篇被掩盖在"换个便宜模型"标题下的工程方法论长文。真正的活儿不是选模型，是用证据赢得挪动流量的资格。拆解它的七阶段迁移流水线、GEPA prompt 优化、供应商量化陷阱，以及原文沉默的地缘风险。
一、全文翻译
原标题 Migrating from Claude to DeepSeek。作者 Lindy（CEO Flo Crivello）。忠实翻译，不加观点，观点放解读部分。
Lindy 的定价模式，只有在推理（inference）持续变便宜的前提下才成立。这就是业务上的硬约束。Lindy 是一个通用 AI 助手——它写邮件、管日历、准备会议、做跟进，还有一长串每天都必须"靠得住"的小活儿。模型是它的发动机，同时也是公司最大的成本项之一。
所以 Lindy 从第一天起，就把定价建立在一个押注上：模型变便宜的速度，会快到让我们能把用户顺着成本曲线往下挪，而产品不会变差。你不需要上帝来替你写邮件。
好几个月里，中国不断冒出头条，声称以几分之一的价格达到了前沿级性能。这些大多都是噪音。然后到了五月和六月，这个声称对 Lindy 来说不再是噪音了。他们把大部分托管型 agent 的模型流量——包括 Claude/Sonnet 支撑的路径，以及剩下的 Gemini/Google 路径——都迁移到了运行在 Atlas Cloud 上的 DeepSeek v4 Flash。当用户显式选择 Sonnet，或某条路径需要更高智能时，Sonnet 仍然可以运行。在迁移过去的这部分流量上，推理成本下降了约 90%。
改一个模型名字很容易。难的是证明用户依然会信任这个助手——这才是真正的活儿。
Changing a model name was easy. Proving that users would still trust the assistant took the work.把这当成"换个下拉选项"，才是真正的错误
最天真的迁移版本只要五分钟：挑个更便宜的模型，跑几个 prompt，宣布胜利。这个版本做出来的，就是一个更差的助手。单个 prompt 几乎说明不了任何问题。真正有用的测试是：这个模型能不能扛住几千个微小的产品瞬间？能不能做到这一切，而不让用户觉得"自己的助手一夜之间被换了大脑"？
这最后一句不是比喻。Lindy 在这次选型里试过 Kimi K2.5。它离线评测表现不错。然后推到一小片真实流量上，它几乎立刻就没通过"感觉测试"。一个用户反馈说，感觉他的 Lindy 一夜之间做了脑部手术。
怎么选中 DeepSeek 的
Lindy 先建了一大堆离线评测，然后跑了 GLM 5.1、Kimi K2.6 和 DeepSeek v4 Flash 几个候选。还在不同的推理供应商上测了同一个模型。让人头疼的是：供应商本身有影响。同一个名义上的模型，由不同的人来服务，打分可能不一样。最合理的猜测是：有些供应商在提供量化版本，或它们的推理栈本身有问题。
你测的是【一个模型 + 一个供应商 + 一个推理栈 + 你自己的 prompt】这整套作为一个系统。
You tested a model, a provider, an inference stack, and your own prompts as one system.DeepSeek v4 Flash 在关心的那些工作负载上胜出。然后 Lindy 调 prompt，直到离线分数大致追平旧方案——这时候 GEPA prompt 优化循环派上了用场。只有到这一步，才开始放量。
真正重要的，是那个放量过程
Lindy 从一小撮用户（含内部用户）开始。内部流量很关键，因为员工抱怨得快、且细节有用——如果助手突然变笨了，你会在图表"客气到足以说话"之前就听到反馈。然后盯两件事：在线评测（抓住离线集漏掉的古怪输入）和留存（更慢更诚实——如果产品微妙变差，用户不会提工单，只会用得少）。只要信号撑得住，就继续放量，最终 DeepSeek 跑到目标流量的 100%。
有意思的活儿不是"我们把流量逐步挪到新模型"——那只是管道工程。有意思的活儿，是去"赢得"挪动这些流量的资格。
The interesting work was not "we gradually moved traffic." That is plumbing. The interesting work was earning the right to move the traffic at all.学到的规则 · 对 labs 的意义
不要问一个更便宜的模型在抽象意义上是不是"一样好"，要问它在哪里够用。这套流程砍掉了约 90% 成本，且没让用户操心模型路由。用户不该操心是哪个模型替他写的邮件，他只该注意到——Lindy 还是那个 Lindy 的感觉。
关于 labs 是否会沦为商品：诚实的回答是部分会，但这跟"完蛋"不是一回事。航空业是出了名的残酷生意，但达美依然值几百亿美元。一门商品化的生意，只要市场足够大，照样可以非常庞大。压力压的是利润率，不是相关性。前沿下方那一档在持续变便宜，每一次它对某一类工作变得"够用"，应用层公司就有强烈动机把那类工作顺着成本曲线下移。
二、工程级解读
这是工程实战长文（模型选型 + 推理供应商 + 评测体系 + prompt 优化 + 放量），按"是什么→在哪跑→怎么测→手搓对比→选型决策→诚实限制"六层拆解。读完你应该能在自己的 AI 产品里复刻这套"换发动机"流水线。
1. 是什么 → 在哪跑：Lindy 的运行时分层
很多人读完只剩"Lindy 把 Claude 换成了 DeepSeek"。这个理解差了三层。真实运行时是这样的分层结构，迁移动的不止"模型层"一个动作：
| 层 | 角色 | 这篇文章动了哪里 |
|---|---|---|
| 应用层 | Lindy 产品（iMessage 助手：邮件/日历/会议） | 没动，用户无感 |
| 托管 Agent 层 | Lindy 自己管理的 agent 编排 | 迁移主战场，流量大头 |
| 模型路由层 | 按智能需求 + 用户显式选择决定走哪个模型 | 新增"默认 DeepSeek、按需 fallback Sonnet" |
| 模型层 | DeepSeek v4 Flash（默认）/ Sonnet（高智能） | 默认模型从 Anthropic 切到 DeepSeek |
| 推理供应商层 | Atlas Cloud 承载 DeepSeek；同模型不同供应商表现不一 | 选定 Atlas Cloud，发现量化缩水 |
| 评测/优化层 | 离线/在线 evals + GEPA prompt 优化 | "赢得迁移资格"的真正功臣 |
2. 核心架构：七阶段迁移流水线
离线评测建设
把真实任务录成可回放 eval set。失败则无法横向对比，只能拍脑袋。
候选横评
GLM 5.1 / Kimi K2.6 / DeepSeek v4 Flash 同台跑。选错全白干。
供应商横评
同模型 × 多供应商，找分数最高组合。检测量化缩水。
Prompt 重优化
用 GEPA 把 prompt 调到分数追平旧方案，避免假阴性。
内部放量
先给员工/小比例用户，靠"抱怨速度"做预警 canary。
在线评测
生产环境抓离线集漏掉的奇怪输入，补长尾盲区。
留存 + 全量 ramp
盯几周 retention，稳了再推到 100%。防静默流失。
3. 内部机制：GEPA 与 Kimi 为什么挂
GEPA 的内核：把 prompt 当待优化代码、把 eval set 当测试套件，让一个 LLM 作为 optimizer 自动生成 prompt 变体、打分、保留高分变体、再变异——本质是遗传算法用在 prompt 上。它解决"在黑暗里手改 prompt"的问题（改一个 case 可能弄坏另外三个，且你不知道）。
GEPA 循环
- 反馈来源：完整 eval set 的客观分数
- 收敛性：朝评分函数单调改进
- 可复现：每轮变体可回放对比
- 适用：模型替换等系统性重构
手改 Prompt
- 反馈来源：工程师直觉 + 几个 case
- 收敛性：越改越歪，按起葫芦浮起瓢
- 可复现：改动无版本化因果
- 适用：单点 hotfix
Kimi K2.5 为什么挂：离线评测"表现不错"，真实流量却"脑部手术"。这是经典的分布偏移——离线集是"干净典型"任务，真实流量是"混乱长尾"任务。一个模型可以在典型分布上追平 Sonnet，却在长尾上崩盘（语气突变、人格不连贯、判断边界漂移）。这正是 Lindy 坚持三层"真实环境验证"的原因：离线评测能淘汰坏的，但证明不了好的。
4. DIY 对比：手搓版 vs Lindy 工程化版
| 环节 | 手搓版（大多数团队） | Lindy 这套（产品级） |
|---|---|---|
| 评测集 | 10-20 个手工 case 存 Notion | 录制真实任务，可回放、并发跑 |
| 模型对比 | 拍脑袋 + A/B | 标准化 eval set 跨模型同台打分 |
| 供应商 | 默认走官方 API | 横评供应商，检测量化缩水 |
| Prompt | 手动调，改坏不知道 | GEPA 自动对着 eval 优化 |
| 放量 | 直接全量切，出事回滚 | 内部→小流量→留存→全量 ramp |
| 失败检测 | 靠用户投诉工单 | 内部抱怨 + 在线 eval + retention 三重 |
省的到底是什么：不是省"选模型的时间"（那本来就只要五分钟），而是省"选错模型的代价"——一次贸然全量切换可能导致 retention 静默下跌几个点，几周后才从财报发现，已流失一批用户。这套流水线把"选错"的代价从事故级压到评测阶段就拦截。
5. 选型决策框架：应该用什么模型
| 场景 | 推荐档位 | 理由 |
|---|---|---|
| 邮件/日程/会议简报等日常可靠任务 | DeepSeek v4 Flash 这档 | 不需要上帝，成本敏感，量大 |
| 用户显式要"最强" / 高难度推理 | Sonnet / 前沿档 | 保留溢价智能，按需触发 |
| 强视觉/多模态（图片理解） | 谨慎 DeepSeek | 评论实测 vision 偏弱 |
| 低延迟 + 频繁 tool calling | 谨慎 慎选供应商 | 评论实测 tool calling 延迟可能飙升 |
| 严格合规/数据主权 | 评估 地缘风险 | 中国模型 + 第三方云，见限制 |
不要问"更便宜的模型是不是一样好"，要问"它在哪些地方够用"。
Do not ask whether a cheaper model is "as good" in the abstract. Ask where it is good enough.这句话的本质：把布尔判断（一样好/不一样好）换成分段判断（在 A 任务够用、B 不够用）。前者让你在"平均值"上做错误决策，后者让你把流量按"够用边界"切成路由表——能下移的下移，不能下移的留在前沿档。这是全文最值得偷走的东西。
6. 诚实限制：原文沉默的几个坑（压力测试发现）
四、苏格拉底对话
从一个直觉反应开始，逐步逼出"换发动机"的真正难度。
这不就是"Lindy 发现 Claude 太贵，换了个便宜的国产模型"吗？这有啥值得写长文的？
那我问你，假如明天你自己的 AI 产品也这么换，你敢不敢直接全量切？
……应该不敢。万一用户觉得变笨了呢。
对了。那"万一变笨"你怎么测？你能列出现在用的模型，在哪几类任务上"绝不能换"吗？
老实说列不出来，我现在连一个正式的 eval set 都没有，就是凭感觉用。
这就是这篇文章真正的价值——它不是讲"DeepSeek 便宜"，它在讲你怎么科学地证明一个更便宜的模型在你的场景里够用。你注意到他们把"内部员工先抱怨"当成独立阶段吗？
看到了，说员工"抱怨得快且细节有用"。挺反直觉的，一般都觉得内部反馈不重要。
因为员工是你最快的脏数据探测器。图表要等几天才有统计意义，员工用一下觉得"今天怪怪的"当天就反馈。它在"图表还没礼貌到能说话之前"给你预警。这是拿人当金丝雀。
那 Kimi 离线过线、上线翻车，是不是说明离线评测没用？
不是没用，是不够。离线集是典型分布，真实流量是长尾分布。离线评测能淘汰坏的，但证明不了好的——好模型是"在生产环境里活下来"才能证明的。
反过来问——Lindy 这么依赖 DeepSeek，万一断供呢？文章好像完全没提。
这正是这篇文章最大的沉默。把命脉押在一个中国模型 + 一个第三方推理云上，地缘、量化缩水、供应商单点，三个风险原文一字未提。方法论要学，"沉默的证据"得你自己补——这条够单列一个待办了。
五、个性化洞察
基于 QA 工程师背景、重度 Claude Code 用户、关注 AI 行业/美股/创业方法论的画像，提炼 5 条可执行发现。
AI lab 估值逻辑的一手信号
Lindy 是真实付费 B 端客户，从 Anthropic/Google churn 到 DeepSeek 砍 90%——这是"frontier-below 吃掉 lab 利润率"的活体证据。HN 称 DeepSeek 成本是 Sonnet 的 3%。盯"应用层客户模型采购结构"这个先行指标，看 Anthropic 溢价叙事的新支撑点（前沿智能/合规/多模态）。
偷走七阶段迁移 SOP
离线 eval → 模型横评 → 供应商横评（99% 的人忽略）→ GEPA → 内部 canary → 在线 eval → 留存 ramp。现在就给你的产品搭一个最小 eval set，哪怕 30 条真实任务——它是未来换模型的决策依据。eval 要固定供应商，否则打分不可比。
"供应商=推理栈"的量化陷阱
"同模型不同供应商分数不同"本质是未声明的版本差异——典型测试不可复现问题。QA 出身的你把"供应商 + 量化配置 + 推理栈"当显式变量记录，每个供应商跑同一套 eval 对比方差。这是 QA 思维在 LLM 选型上的直接变现。
"模型迁移经济学"稀缺选题
同时满足：当事人亲述、90% 硬数据、反直觉（Kimi 翻车、DeepSeek 击败 GLM5.1）、地缘张力。可做横向对比系列（Lindy/Cursor/各 coding agent 的模型采购决策）。读者最想看的不是"DeepSeek 强"，是别人怎么科学地决定换不换。
别犯 Lindy 没说的错
地缘断供、量化缩水、供应商单点——对你这种"自己当老板"的产品是致命的。用中国模型做核心链路，默认配置 fallback 路由（DeepSeek 挂了切回 Sonnet/GLM），并把路由成本写进定价。别让单一供应商 + 单一模型成为产品单点故障。
"够用边界"是产品定价工具
"在哪里够用"不仅是模型选型工具，也是定价工具——按"够用边界"切路由表，能把大部分量下移到廉价档，少数高端需求按溢价计费。这套思路能让你在保持体验的前提下把边际成本压到行业十分之一。
三、精选评论
两条反向证据（vision 弱、tool calling 延迟）价值最高——正好补上原文沉默的限制。
成本降了 100 倍 🫣
DeepSeek 性价比很好，大多数事不需要上帝，几乎哪儿都能塞——除了需要 vision 的时候。我把 discovery 和 synthesis agent 迁过去，成本降了 100x。
100x 比 Lindy 官方的 90% 还激进，说明特定工作负载（偏文本归纳）降本上限更高。
Tool calling 延迟陷阱
切换到 DeepSeek V4 Flash 是不错的替代，但工具调用和重试让延迟大幅增加——至少在 OpenRouter 上是这样。
原文没提的限制。重交互场景，"供应商=推理栈"的影响被放大。
智能在商品化，信任没有
智能正在从超算中心到终端设备的各个层级变成商品。不是商品的，是引导和信任——也就是 Lindy 在做的事。以前驯化数据，现在驯化智能。