1人+AI=完整SaaS：我用8个模型踩遍坑

670次代码提交，一个人，一套完整的金融SaaS系统。发票管理、OCR收据识别、银行对账、多租户架构、MCP集成、商业智能层——这些通常需要一个小团队干半年的活，被一名DevOps工程师用AI啃了下来。

但他不是来晒成绩的。他在Reddit上发了一篇长文，把用过的每一个模型都扒了一遍：谁真干活，谁在摸鱼，谁让你白花钱。这篇"无赞助"的实测，可能是2024年最诚实的AI编程指南。

免费层：三能用，一坑货

作者的第一站是免费模型。他把这阶段叫做"自助餐式测试"——不花钱，先尝遍。

Gemini 2.5 Pro Experimental（实验版）被他评为"免费层最佳工程选项"。响应快，输出质量扎实，能处理真正的工程问题而非玩具示例。他甚至半开玩笑地怀疑Windsurf是不是跟Google有合作，"免费层做得太精致了"。

他的建议很直接：预算有限的开发者，从这里开始。

DeepSeek V3也在他的轮换名单里。免费，开发任务够用，复杂重构不是首选，但快速生成代码和脚手架能扛住。

真正让他失望的是本地模型。Llama 3.3 70B本地部署，隐私满分、零API成本、完全可控——这些诱惑他都懂。输出质量也还过得去。但速度彻底毁了体验：调试多租户隔离问题时，每次等30秒以上才能拿到回应，"思维链条直接断裂"。

他的结论很干脆：消费级硬件跑本地模型，日常严肃开发还不现实。

OCR生死战：80%准确率=不能用

他的项目有个核心功能——收据和发票的OCR识别。这直接决定了财务数据的自动化程度。

他测试了Gemini 2.0 Flash Experimental（实验版），结果：约80%准确率。听起来及格？他算了笔账：20%错误率意味着每5份文档就有1份需要人工修正。财务数据对不上，客户不会接受"差不多"。规模化运营时，这个误差率是致命的。

对比测试更扎心。Claude Haiku——Anthropic最便宜的付费模型——错误明显更少。不是零失误，但差距实打实。

这个发现改写了他的成本结构：免费模型省下的API费用，抵不上人工纠错的人力成本。

付费层：Gemini的前端天赋与后端短板

他掏钱买了两个月Gemini Advanced。这笔钱花出了明确的ROI分布。

UI工作是Gemini的舒适区。React/TypeScript前端、仪表盘、数据表格、表单流程——它持续产出干净、结构良好的组件。布局直觉强，代码组织合理。如果你的工作前端占比高，Gemini值得认真考虑。

但后端逻辑暴露了天花板。调试复杂的FastAPI问题、重构多租户数据库隔离、梳理Kafka事件流时，Gemini的回应"理解表面，抓不住意图"。他不得不反复补充上下文，而更有经验的模型能自己补全背景。

这种" senior感"的缺失，在工程深度处变得昂贵。

长文本与推理：两个替补选手

Mistral和Perplexity没进入他的核心开发工具链，但填补了特定场景。

Mistral被他标记为"推理任务中被低估的选项"。Perplexity擅长研究、长文档阅读和通用问答。两者都没取代正经的编程助手，但在信息整合环节站住了脚。

他的工具箱逻辑很清晰：没有全能冠军，只有场景适配。

8个模型后的工作流真相

复盘他的最终配置，能看到一个务实开发者的取舍：

免费层选Gemini 2.5 Pro Experimental打底；OCR等精度敏感任务转向付费的Claude Haiku；Gemini Advanced按需购买，主攻前端；Mistral和Perplexity作为研究和推理的辅助轮；本地模型暂时搁置，等硬件和模型效率的交叉点到来。

670次提交不是炫技数字。它代表着一个非全职开发者的真实生产力边界——AI把"不可能"变成了"可能"，但"可能"的代价是持续的模式识别、工具切换和误差管理。

他在帖子里没提的是：这套系统现在有没有付费用户？OCR的20%错误率最终怎么解决的？多租户架构在真实并发下的表现如何？这些才是SaaS从Demo到产品的真正关卡。

如果你也在用AI单兵作战，你会把预算押在哪个模型上——是Gemini的前端效率，还是Claude的精度保险？