The Minimill of AI
编译摘要
1. 浓缩
- 核心结论1: 在 agentic work 里，任务分流层本身就是生产力设计，而不是附属优化。
- 关键证据: 作者先把 Asana 任务分成 easy / hard，再决定交给本地模型还是云端模型；工作内容没变，但吞吐提升约 25%。
- 核心结论2: local-first、cloud-escalation 让小模型从“廉价替代”变成高频工作负载的主力层。
- 关键证据: 过去 7 天里，78% 的 AI 工作由本地模型处理，峰值达到 88%；复杂任务才升级到云端。
- 核心结论3: 统一大模型队列的问题不只是成本高，还会制造等待和阻塞。
- 关键证据: 双通道后平均任务时长从 47 秒降到 19 秒，queue age 从 73 秒降到 4 秒。
2. 质疑
- 关于数据可靠性的质疑: 文章基于作者个人系统，没有公开任务分布、硬件配置和失败率，不能直接外推到团队级生产环境。
- 关于“本地优先”的质疑: easy / hard 分类本身可能依赖先前的技能蒸馏成果；没有这层资产，复制成本可能高于文中表述。
- 关于经济性的质疑: 文中强调吞吐和响应时间，但没有完整披露本地硬件折旧、维护成本和模型更新成本。
3. 对标
关联概念