复盘一个月WorkBuddy积分账单。 这个月主要在做一个真实智慧水务项目，不是简单试用工具。 项目范围包括： 驾驶舱大屏、生产运营系统、移动端。 因为是新建水厂，现场管理制度还没有完全确定，很多需求也是沟通多轮后才逐步确认的。 所以整个过程不是“一次生成一个页面”，而是不断迭代： 需求分解、PRD、原型。 我把这一个月的WorkBuddy积分使用情况拉出来，做了三个维度的复盘。 维度1：按模型类型看积分消耗 一个月共请求463次，总积分消耗6459.69。 从模型类型看，glm-5.1 和 glm-5.0-turbo 是主要消耗来源，两者合计3792.13积分，占总积分58.7%。 deepseek-v4-pro 调用次数最多，154次，但总消耗只有524.46积分，单次平均3.41，更适合轻量修改。 维度2：50积分以上请求集中在哪些模型 统计口径是：单次请求积分消耗>50，记录为高消耗请求。 这个月一共有22次50+请求，消耗2111.43积分，占总积分32.7%。 也就是说，只有4.8%的请求，消耗了接近三分之一的积分。 这里能明显看出来：真正拉高成本的，不是日常轻量问答，而是少数复杂请求。 比如长上下文PRD、复杂业务逻辑梳理、整页原型生成、多模块页面调整。 维度3：单次积分消耗峰值分布 统计口径是：单次请求积分消耗的最大值，即峰值积分消耗。 单次最高峰值来自 glm-5.0-turbo，达到214.37积分。 最低峰值是 deepseek-v4-pro，只有17.17积分。 这也说明，不同模型的单次成本波动差异很大。 最后总结一下，怎么用更省积分： 我的结论很简单： deepseek 更适合轻量修改。 比如改文案、调字段、补充说明、优化局部内容。它调用次数最多，但总消耗不高，单次峰值也低，适合反复小修小改。 glm 系列更适合复杂业务逻辑。 比如需求拆解、PRD重构、复杂流程梳理、整页原型生成。它的理解和生成能力更强，但积分消耗也更高，适合放在关键步骤使用。 #workbuddy #ai工具 #积分 #产品经理 #智慧水务