上周，DeepSeek V4 Flash 正式版低调上线。
知乎上789K浏览，朋友圈各种「超越GPT-4」的消息飞了两天。但我没有去凑这个热闹——我做的事很简单，把原来信息处理层用的模型，换成了 DeepSeek V4 Flash。
这篇文章想讲的不是 DeepSeek 又打败了谁，而是它让我的多Agent工作流，在信息处理这个环节，花的钱少了一个数量级。
原有工作流架构
先说清楚我原来的工作流是什么样的。
我的入口是 Hermes，手机微信或者电脑桌面端发一条消息，它都会接住。接入 DeepSeek V4 Flash 之前，信息处理层用的是 MiMo v2.5 Pro——联网搜资料、读长文、压缩内容、生成摘要，这些事都在它这里完成。
任务经过入口处理之后，会分到三条路线。
知识管理
知识管理是这样的：微信上看到一篇文章，直接发给 Hermes。AI 完成这几步——提取核心观点、区分原文与推断、生成来源摘要、判断这篇内容对我的价值、找出与已有知识的关联。资料不是在收藏夹里越积越多，而是被结构化地处理过，每一条都有坐标，以后可以被检索、被对照、被调用。
公众号写作
公众号写作是这样的：直接在微信上说出一个想法，不需要一开始描述得很完整。Hermes 先保存想法，AI 负责搜索最新信息、整理资料、直接给摘要。如果知识库里已经有相关内容，一并调用。AI 负责降低启动成本，我负责决定文章究竟要表达什么。
项目开发
项目开发是这样的：有些想法写着写着，会变成一个工具或者产品需求。这时 Hermes 把前面的对话整理成一份结构化任务包，目标是什么、背景是什么、范围是什么、明确不做什么、技术约束是什么、验收条件是什么。任务包整理完成后，涉及编程的部分交给 Codex，涉及架构判断的交给 Claude。
换用 DeepSeek 的核心逻辑
换 DeepSeek，不是为了「更强」，而是为了「更便宜」。
我直接说数字。DeepSeek V4 Flash 输入每百万 Token 1块钱，输出每百万 Token 2块钱。MiMo v2.5 Pro 呢？输入贵三倍，输出贵七倍。如果跟 Opus 4.8 比呢？输入便宜三十多倍，输出便宜将近一百倍，这个差距就更大了。
听起来好像省不了多少？但这类任务数量大、频率高，每个月要跑几十次，累积下来就不是一个小数了。
DeepSeek 官方自己说了，V4 Flash 追求的是速度和成本的平衡，在简单 Agent 任务上表现出色，在高难度任务上仍然与更强的模型存在差距。所以它出现在入口层，负责「让信息先跑起来」，而不是去承担那些真正需要深度推理的判断。
Agent 角色定位
在具体讲路线之前，先说清楚每个 Agent 在系统里的位置。
Hermes 是主入口，底层接的是 DeepSeek V4 Flash，负责接住输入、分流任务、协调其他 Agent。Codex 是编程 Agent，底层调用 GPT-5.6 系列模型，复杂编程任务找它。Claude 是推理 Agent，底层是 Opus 4.8，专门处理架构设计和复杂推理。
这个分工不是临时指定的，而是根据每个 Agent 的特质放在它最合适的位置上。
成本与分工策略
很多人问我，既然 Claude 更强，为什么不都用 Claude？
答案很简单：成本和分工。
入口层的信息处理任务量大、频率高，用 Opus 4.8 跑，成本是 DeepSeek 的几十倍。但在这个环节的质量差距，普通读者感知不到——他们只会觉得「资料找得挺全」。
真正拉开差距的地方，是架构判断和产品决策。把 Claude 省下来做这些高价值判断，才是它真正值钱的地方。
我自己的心法是：用 DeepSeek 处理「信息」，用 Claude 处理「判断」。
完整案例演示
举一个完整的例子，说明这套系统是怎么串起来的。
我在微信上跟 Hermes 说，我想把选题监控系统改成自动推送版本。Hermes 接住这个需求，先让 DeepSeek V4 Flash 做研究，当前方案有哪些、各自的优缺点、开源项目里有没有可以直接用的实现。同时它扫描知识库里的相关概念页，看看之前有没有做过类似的判断。
拿到这些背景之后，我来做决定：用哪个方案、预算是多少、核心功能是什么。
确定方向之后，任务进入执行层。涉及复杂编程的，交给 Codex。涉及架构判断的，交给 Claude。
所有子任务完成后，结果回到 Hermes。它做最终汇总，确认是否达到目标，给我一个可以验收的结果。
整个链条是这样的：入口接收 → DeepSeek研究 → 我做判断 → Codex/Claude执行 → 入口验收。
节省的隐性成本
使用一段时间后，我发现它节省的不只是钱。
它减少了三种更重要的消耗。不需要在多个工具之间反复复制内容，不需要记住每个任务目前进行到了哪里，这是注意力切换。Hermes 会把原始对话和资料整理成结构化任务包，后面的 Agent 不需要重新阅读所有聊天记录，这是上下文交接。搜索、摘要、格式整理、任务拆解、测试执行等重复工作被分配给了最适合的 Agent，我能把精力放回到选题判断、产品方向和关键决策上，这是重复劳动的减少。
总结
DeepSeek V4 Flash 是一个性价比极高的高速信息处理器，放在入口层很合适。但如果你只把它当成一个更快的聊天模型来用，其实有点浪费。
把它用到多 Agent 工作流里，替代那些成本更高的信息处理任务，才是它真正发挥价值的方式。
关于 Codex 和 Claude 的具体工作流，我会在后续文章里详细展开。
真正拉开差距的，不只是你使用了哪个模型。而是你有没有能力，把这些模型和 Agent 组织成一支属于自己的团队。