OpenAI评分垫底却最自信：6.3分背后藏着98%的确定性

生产级AI代理（AI Agent）选哪家LLM接口？Rhumb用20个维度打了分，结果和教程推荐的完全相反。Anthropic 8.8分领跑，Google 8.3分紧咬，OpenAI 6.3分垫底——但这个最低分反而是统计上最可靠的。

98%置信度意味着：OpenAI的落后不是测量误差，是系统性摩擦的真实写照。

所有框架教程都让你"填入OpenAI密钥"，但没人告诉你：当你的代理凌晨3点被限流、工具调用报错、或者卡在组织权限层级时，API设计的差距才会真正结账。

Anthropic：为代理而生的"专精型"设计

执行得分8.8，接入就绪度7.7，两项都是最高。Anthropic的工具调用接口从第一天就是为代理场景设计的——函数调用格式一致，错误响应结构化且可操作，API表面刻意做减法：没有图像生成，没有音频，专精文本代理场景。

这种聚焦带来两个结果。好的一面：代理能稳定预测接口行为，错误处理有明确路径。坏的一面：生态广度受限，多模态需求得另找方案。

规模化部署时的隐性成本：速率限制的自适应退避策略必须自己实现，模型版本固定需要显式处理——否则代理会在模型弃用时静默改变行为。

Rhumb的评分逻辑把"代理能自主恢复"作为核心权重。Anthropic的扣分项不在功能缺失，而在高负载时的工程兜底责任转移给了开发者。

Google：三扇门的迷宫

执行8.3分几乎追平Anthropic，结构化输出能力强，错误处理扎实，免费额度慷慨。但接入就绪度7.2分暴露了架构债务：AI Studio、Vertex AI、Gemini API三个重叠的产品表面，代理必须在第一次调用前就选对入口。

这个"三面问题"不是文档清晰度问题，是部署路径的结构性分歧。针对AI Studio认证构建的代理，迁移到Vertex生产环境需要重新架构——不是配置调整，是代码层面的重写。

Google的强项在长上下文处理和多模态广度。如果代理的核心负载是成本敏感型、或者需要原生处理视频/音频输入，8.3分的执行能力值得承担接入复杂度。

OpenAI：生态广度 vs onboarding摩擦

6.3分，三项最低。但这个数字的含金量最高——98%置信区间意味着与其他两家的差距是统计学上最可靠的结论。

接入就绪度5.5分的构成：组织创建、项目密钥、消费门槛驱动的速率层级、三个重叠API表面（Chat Completions、Assistants API、Responses API）。新代理无论技术需求如何，都从最低速率限制起步，必须先穿越组织层级才能发起第一次生产调用。

消费门槛驱动的速率层级是最大隐性成本。资金充足的代理管道可能快速升级，但"先花钱解锁性能"的设计与代理自主运行的前提存在张力。

OpenAI的补偿项在生态：文本、图像、音频、微调的全栈覆盖，模型选择最丰富。当代理需要多模态切换或快速实验不同模型时，6.3分的摩擦可能是值得支付的过桥费。

分数压缩掉的实战细节

Rhumb的20维评分把复杂场景简化为数字，但落地时的断裂点需要单独拆解。

Anthropic的模型版本固定是双刃剑。显式处理能锁定行为一致性，忽略则会在弃用周期中遭遇静默漂移。代理系统的可观测性必须覆盖模型版本字段。

Google的三面问题需要 upfront 架构决策。AI Studio适合原型验证，Vertex是生产出口，但两者的认证流、端点结构、配额体系完全不同。计划在第一阶段就预留迁移成本。

OpenAI的消费门槛机制对自治代理最不友好。代理无法自主完成"充值-升级-继续运行"的闭环，需要人类在循环中处理组织财务权限。这是6.3分中最难工程化绕过的约束。

选择没有通用答案。Anthropic适合执行可靠性优先的封闭场景，Google适合多模态长上下文的需求组合，OpenAI适合需要快速验证多模型策略的探索期团队。

但评分揭示了一个反直觉事实：教程默认的OpenAI选项，在生产代理场景反而是摩擦成本最高的起点。6.3分的确定性，恰恰来自足够多开发者用生产负载验证后的共识累积。

你的代理系统已经跑在哪个阶段——原型验证、规模扩张、还是自治闭环？这个答案可能比任何评分都更能决定该打开哪家的API文档。