DeepSeek能省token？一个月使用后的真相

一个月前，Codex 推出了 cc switch 功能，允许自由切换底层模型，这确实让人兴奋。

对于任何新鲜功能都忍不住要尝鲜的人来说，读完文档的第一秒，大概率会像大多数人一样，把默认模型切成了 DeepSeek。当时的想法很朴素：省 token 啊。GPT-5 贵，DeepSeek 便宜，反正都是大模型，能差到哪去。

一个月后回头看，这个判断对了一半。

对的那一半是，在特定场景下，切模型确实香。错的那一半，比想象中更贵。

教程已经足够多，我们来聊聊体验

关于 Codex 切换模型的教程，过去两个月你大概已经看过不下十篇了。流程大同小异——装插件、配 API key、敲一行 cc switch、选模型。这些就不展开了，本文的前提是：你已经会用，或者随时能花三分钟学会。

我想聊的是教程之外的东西：切了之后，到底发生了什么。

三种场景，三种结果

为了搞清楚这件事，可以给自己定个规矩：接下来一个月，每次启动新项目前先想三秒——这个项目更适合谁。然后把同一个项目里的不同任务分别派给不同模型。

一个月下来，大致能画出三条线。

场景一：从零写一个新模块

这是最让人意外的场景。原本以为这种“生骨架”的活儿应该交给 GPT-5——毕竟它贵，贵总有贵的道理。但实际试下来，DeepSeek 在结构性任务上的表现毫不逊色：接口设计清晰，模块拆分合理，甚至连注释的颗粒度都恰到好处。

反而 GPT-5 偶尔会有过度设计的问题——它会主动帮你加一些你根本没说需要的抽象层，而这些“善意的多余”在项目初期反而是负担。

这个场景下的结论：切 DeepSeek，不仅省钱，还省心。

场景二：调试一段莫名其妙不跑的逻辑

这是另一个极端。当你遇到一个奇怪的运行时 Bug，把堆栈信息和上下文丢给两个模型，差距肉眼可见。

DeepSeek 会给你一个逻辑上正确的解释——方向没错，但通常是“你大概率是这里没判断空值”这种标准答案。GPT-5 则更倾向于在你的具体代码里找到那条真正出问题的路径，给出的修复通常更精准，甚至能定位到你没贴出的那行代码。

这不是推理能力的问题，更像是上下文理解深度的差异。当问题足够具体、上下文足够模糊时，模型之间的差距会明显放大。

这个场景下的结论：别省这个钱。把最难的问题留给最强的模型。

场景三：长对话，持续迭代

这才是真正的隐形坑。

切换模型这件事，不是在对话中间切——只能在开始新对话时选择模型。这意味着，当你用一个模型聊了二十轮、积累了丰富的上下文后，如果你想换成另一个模型，你需要重新开始。

问题就出在这里。很多项目的实际工作流是在同一次对话中持续推进的：上午定了架构，下午开始写实现，晚上调完接口。每次深入时，前面积累的上下文都是资产。如果你因为“这个环节应该换成另一个模型”而开新对话，等于主动丢掉了这些资产。

试过几次“前半段用 DeepSeek 搭框架，后半段换 GPT-5 精修”的操作。结果是 GPT-5 拿不到前面 DeepSeek 的上下文，需要重新理解整个项目的约定和已做过的决策。这个重新同步的过程，远比省下来的 token 更贵。

一次对话，一个模型。中途不切。

钱的账，没那么好算

聊到切换模型，大部分人第一个想到的是省钱。DeepSeek 的百万 token 价格，通常只有 GPT-5 的十分之一不到。一个月用下来，单纯看 token 账单，切模型确实能省不少。

但 token 账单不是真实的成本。

真实成本是你的时间。一次无效的对话、一次因为模型理解偏差而多跑的往返、一次重新向新模型解释上下文的消耗——这些带来的时间损耗，折算下来可能远超 token 差价。

算过自己的账。在纯代码生成类任务中，切 DeepSeek 的效率折损大概在 10% 以内，换来的 token 节省则超过 60%，完全值。但在调试和长对话场景中，效率折损可能超过 30%，这时候省下来的 token 费完全不值得。

现在怎么用

一个月的折腾之后，可以形成自己的使用框架，就三条：

结构性任务 → DeepSeek

搭骨架、写模块、生成样板代码。这类任务的特点是上下文相对独立，不需要太多历史积累，模型之间的差距在结构理解上不大。用便宜的模型跑这类任务，是真正意义上的性价比。

疑难杂症 → GPT-5

调试、代码审查、架构决策。问题越难、越具体、越依赖精确的上下文理解，越要用更强的模型。省 token 在这些场景里是假省钱。

一次对话，一次绑定 → 不中途切

如果你需要持续迭代一个项目，选定模型就别动了。中途换模型等于自废上下文，得不偿失。

说到最后

Codex 的 cc switch 是个好东西，但它真正的价值不在于让你频繁切来切去，而在于让你 有得选。

大部分教程教你“怎么切”，但更值得想的是“什么时候不切”。切换模型这件事，性价比的曲线不是线性的——它在简单任务上斜率很高，越到复杂场景越陡降。知道停在哪，比知道怎么开始，更需要判断力。

如果你正在用或者打算用 Codex 的多模型切换，建议很简单：别照搬任何人的配置。拿你自己的项目试一周，找到属于你自己的切换边界。这个边界，教程不会告诉你，只有你自己的工作流知道。