一项任务，两个模型，同一个智能体
比较两个模型最干净的方法，就是不改变其他任何条件。所以我们正是这样做的：同一项长程任务、同一个智能体、同一套工具。我们把相同的简报交给 Eigent 的 single-agent harness 中的 GLM-5.1 和 GLM-5.2，观察它们如何规划、研究、验证并交付成果。
这项工作是真正的分析师任务，而不是玩具型基准测试：
深入研究 AI 基础设施栈中的 26 家公司——从芯片设计和半导体制造，到支撑前沿 AI 运行的云平台和数据中心——然后构建一份交互式报告。
像这样的长程任务，正是模型真正分化的地方。它不是一个巧妙的答案，而是在很长运行过程中串联起来的许多小决策：规划要多深入、要信任多少来源、何时停止研究，以及在宣布完成之前要核验到什么程度。
提示词
我们在 single-agent mode 下向两个运行发送了相同的提示词：
对 AI 基础设施生态系统中的 26 家公司进行深入研究——这是整个 AI 价值链中最确定的主线。覆盖以下 6 个子行业（每个子行业选择具有代表性的公司，从大型龙头到较小参与者）：
- AI 数据中心（算力基础设施 / 建设扩张）
- GPU / AI 芯片（训练与推理硅片、ASIC、IP）
- 服务器、网络与光模块（交换机、NIC、光互连）
- 电力、液冷与储能（电源、散热、能源管理）
- AI 云 / 计算平台（超大规模云厂商、GPU 云、算力租赁平台）
- 支撑生态（HBM / 先进封装、晶圆代工、连接器及其他关键组件）
对于每家公司，研究：公司名称、子行业、总部 / 国家；核心产品及其在 AI 链中的具体角色；上市或非上市（若上市，注明股票代码 + 交易所；若非上市，注明最新估值 / 融资轮次）；市值或估值规模（用于排序）；在生态中的定位与护城河（1–2 句）；主要客户 / 竞争对手。
在每个子行业内按从大到小排序公司，并整体采用自上而下的结构：从完整的硬件生态全景到每一家单独公司。
输出： 首先生成结构化的 ai_infra_data.json，包含全部 26 家公司、6 个子行业分类、上市/非上市标记，以及跨公司比较矩阵。然后基于该 JSON 生成一份精美、交互式的 HTML 报告——生态全景图、行业分区、公司卡片、上市与非上市颜色编码、市值排名图表，以及可排序 / 可筛选的比较表。先验证研究数据的准确性（上市状态、股票代码、估值——最新数据并附引用来源），然后再生成报告。
执行准备 —— GLM-5.2 规划更深入
在任何一个模型碰到网页之前，分歧就已经出现在计划里了。
GLM-5.1 将工作拆成了 4 个步骤。GLM-5.2 在相同简报的基础上扩展到了 6 个步骤——而且值得注意的是，它把 “验证准确性” 单独作为一项任务，而不是顺手带过。这正是严谨分析师对任务范围的划分方式：先研究，再证明研究，再构建。
相同的指令。不同的判断：这项任务值得投入多少严谨度。
研究 —— 来源数量翻倍
计划很快变成了两种截然不同的研究过程。
- GLM-5.1： 约 40 个来源
- GLM-5.2： 约 82 个来源——研究量大约是 2 倍
而且这不只是“更多”页面，而是“分布更好”的页面。GLM-5.1 主要依赖单一数据网站，而 GLM-5.2 则通过 财经新闻、公司文件和私募市场数据库 对每个数据点进行交叉核验：Reuters、Bloomberg、Crunchbase、TechCrunch 等。
单一来源不够。对于估值、股票代码和上市状态，GLM-5.2 把单个数字视为需要确认的假设，而不是可以直接复制的事实。
GLM-5.2 不只是更快地给出答案；它还通过读取两倍数量的页面，深入核验每一个数据点。
先验证，再完成
因为 GLM-5.2 将验证划分为独立步骤，它实际上真的做了——在提交报告之前重新核对上市状态、股票代码和估值是否与最新数据一致。结果是一份证明了自身工作过程的报告，而不是只做断言。
结果 —— 更深的数据，真实的引用
同样的任务。两份截然不同的交付物。
GLM-5.2 生成了：
- 更丰富的 数据架构，包含专门的 护城河分析、融资细节 和 完整来源列表——每一条结论都能追溯到来源。
- 最终报告在数据和结构上都比 GLM-5.1 丰富近 2 倍。
- 输出是一个可直接部署的交互式站点——而不仅仅是静态 HTML 页面：生态全景图、行业分区、上市与非上市颜色编码、市值排名图表，以及可排序 / 可筛选的比较表。
GLM-5.1 交付了一份扎实、正确的报告。GLM-5.2 交付的是一份你可以直接拿去给投资委员会看的报告。
这件事为何重要
在短任务上，两个能力不错的模型看起来差不多。但在 长程任务 上，差异会不断累积。GLM-5.2 多读的每一条来源、每一个它选择复核的数据点，以及把验证设为一级步骤的决定，最终都叠加成了一个显著更好的结果。
harness 是相同的。工具是相同的。唯一变量是模型——而这正好让我们能够公平地看出 GLM-5.2 在长时间运行中的推理方式：
更多来源。更敏锐的判断。一份能证明自己工作的报告。
你也可以运行
Eigent 允许你在同一个 single-agent harness 背后切换模型，因此你可以在自己的任务上运行这项完全相同的比较：
- 进入 Settings → Models，选择或添加你想测试的模型（GLM-5.1、GLM-5.2 或任何支持 function calling 的模型）。
- 将任务切换为 single-agent mode。
- 粘贴上面的深度研究提示词（或你自己的长程简报）。
- 每个模型运行一次，然后并排比较计划、来源数量和最终报告。
接下来可以尝试什么
用同一份简报重新运行，但要求每个估值至少有 3 个独立来源，并标记任何来源不一致的公司。
将范围从 26 家扩展到 50 家，并在比较矩阵中增加一列“供应链依赖”。
为最终报告生成一页式 PDF 执行摘要，以及市值排名图表的幻灯片。
让 GLM-5.2 与另一模型在同一任务上对跑，并生成差异报告：它们在哪些地方一致、哪些地方不同，以及谁的来源更扎实。
提升效果的技巧
- 明确要求验证。 让模型“先验证准确性，再构建”会明显改变行为——GLM-5.2 把这句话转化成了自己的计划步骤。
- 在 schema 中要求引用。 为每家公司要求一个
sources字段，能强制输出可追溯的研究，而不是自信的猜测。 - 将数据与展示分离。 先生成
ai_infra_data.json再生成 HTML，可以让报告可重建、事实可审计。 - 长程推理使用 single-agent mode。 这样整个任务上下文都掌握在一个模型手中，而这正是你在比较模型如何规划和自我纠正时最需要的。
