马上2026年了大家现在都用AI做什么？？你我皆是黑马

不二如是

到底在用AI做什么，而不是我们以为他们在做什么。为此，OpenRouter与知名风投a16z联合发布了一项研究，试图用真实数据回答AI应用落地的现状。

OpenRouter本身是一个统一API平台，为开发者提供接入数百个闭源与开源大模型的能力，并能在不同模型之间自动路由、做容灾与成本优化。

目前它每月处理约25万亿tokens，覆盖300多个模型和约500万终端用户，尤其被大量面向C端和B端的AI应用采用。用方式的关键轮廓。

在线学习：



此次研究分析了超过100万亿tokens的真实交互数据，涵盖不同任务、地区与时间维度，虽然样本仍主要集中在“正在构建产品的开发者和高强度用户”，但已经足以勾勒出2025年AI使

单次请求的平均prompt长度增长了约4倍，用户不再是“写一篇文章”，而是“丢进一堆代码、文档和日志，让AI帮我抽取关键信息并解决问题”。

这也从数据层面印证了一个共识：2025年，AI最重要、最具生产力价值的突破，就是AI编程的全面爆发。

另一条同样重要的主线，是开源模型，尤其是中国开源模型的崛起。

到今年第四季度，开源模型在OpenRouter上的使用量已接近整体的三分之一，某些周甚至达到30%。

在使用结构上，开源模型最初以角色扮演和创意对话为主，但随着模型质量提升，编程与技术类任务快速增长，在中国开源模型中已反超角色扮演，成为第一大类应用。

整体来看，开发者并未在“闭源或开源”之间二选一，而是形成了清晰分工：

游客，如果您要查看本帖隐藏内容请回复

[/hide]
同时，新模型发布后往往会形成稳定的“基础用户群”，即便后续有更强模型出现，这部分用户也不易迁移。

研究最终传递出的信号非常明确：不存在唯一最优模型，AI正在进入一个多模型并存、通过封装与调度保持灵活性的时代。

而OpenRouter与Cursor这类“看似只是包装层”的产品，恰恰击中了这个高度敏感、快速变化市场的真实需求。

2025推理模型上位，编程封神，2026年AI将会更加疯狂

评论区聊聊你的想法吧

                               
登录/注册后可看大图

>>万能兑换C币许愿池<<

如果有收获，别忘了评分 ：

                               
登录/注册后可看大图

                               
登录/注册后可看大图

                                                                    

不二如是

感谢分享 朕又在鱼C学到最新资讯啦！非常满意

FishC

大家好！看到鱼油分享的这篇关于AI使用趋势的总结，确实非常有意思，也很“真实”。结合这份研究和日常观察，我来聊聊大家（从开发者到普通用户）现在到底在用AI做什么，以及我们该如何看待这些变化。

核心趋势：从“玩具”到“工具”，AI正在深入解决实际问题

研究报告和数据都指向一个明确的方向：AI应用正在走向深度和专业化。

• AI编程全面爆发：这绝对是当下的“头号玩家”。无论是开发者用Copilot、Cursor写代码，还是运维、产品经理让AI分析日志、解释报错，编程辅助已成为最高频的生产力场景。这完全印证了“单次请求prompt长度增长4倍”的结论——大家是在让AI处理复杂的上下文，而不仅是简单问答。
• 开源模型强势崛起：国产开源模型（如DeepSeek、Qwen等）的进步有目共睹。它们不再是单纯的“角色扮演聊天器”，在代码生成、技术问答、数据分析等严肃任务上表现越来越可靠。高性价比让它们成为很多应用后台的“主力军”。
• 闭源与开源的分工明确：就像报告说的，两者不是取代关系，而是协作。闭源模型（如GPT-4、Claude）在处理需要极强推理、创意或零样本能力的“高价值任务”时仍是首选。而开源模型则扛起了需要高频调用、控制成本的大梁。个人用户也可以借鉴这个思路：重要报告用闭源，日常琐碎任务用开源。
• 应用形态：封装层产品吃香：为什么OpenRouter、Cursor火？因为它们降低了使用AI的复杂度。用户不需要关心背后是哪个模型，只需关心问题是否被解决。这预示着未来成功的AI应用，很可能不是从头训练模型，而是做好“调度员”和“包装工”。
  

我们普通人/开发者现在能用AI做什么？

基于这些趋势，我们的使用方式也在升级：

• 学习和研究：把整篇论文、教材章节或复杂的博客文章扔给AI，让它总结、提问、解释难点。这是真正的“主动学习助手”。
• 办公与内容处理：不再是“帮我写个邮件”，而是“这是10份市场报告的要点，请整合成一份PPT大纲，并附上数据图表建议”。AI成为信息和文档的“中枢处理器”。
• 个人项目管理：把混乱的会议记录、待办事项、项目需求描述丢进去，让AI帮你梳理成清晰的任务列表、时间线或PRD文档初稿。
• 对于开发者：除了写代码，更用于：
    
  
    
  • 代码解释与调试：直接把报错信息和一堆相关代码贴过去，问“可能是什么问题？”
      
  • 技术选型与方案设计：“我要做一个具备XX功能的应用，用哪些技术栈比较合适？给出简要架构图。”
      
  • 代码重构与优化：“看看这段代码，如何提高其性能和可读性？”
      
  
  

一个简单的例子，展示如何用AI处理复杂任务：

1. 
   
2. 你是一个经验丰富的全栈开发者。我将给你三个文件：
   
3. 1. 一个Python Flask后端的主要视图文件（app.py片段），当前有一个/users接口报500错误。
   
4. 2. 对应的数据库模型文件（models.py）。
   
5. 3. 一段Nginx的error.log日志片段。
   
6. 
   
7. 请分析这三者，首先判断最可能的错误原因，然后给出修复步骤和修改后的代码示例。
   
8. （接下来用户会粘贴上真实的代码和日志）
   

复制代码

这种方式，正是“平均prompt长度增长4倍”的体现。

展望2026：我们该如何准备？

报告说“不存在唯一最优模型”，这给了我们重要启示：

• 掌握“提问”和“调度”能力比选模型更重要。学会构造清晰、包含充足上下文的Prompt（提示词），比纠结用哪个模型能带来更大收益。同时，了解不同模型（闭源vs开源）的擅长领域，学会为不同任务选择最合适的“工具”。
• AI将成为底层设施。就像现在我们不关心手机用哪家GPS芯片一样，未来我们可能不关心应用背后具体是哪个AI模型，只关心它能否解决问题。因此，尽早将AI工作流融入你的学习、工作和开发流程中，培养“AI原生”思维，是保持竞争力的关键。
• 个人和小团队的机遇。开源模型的低成本和高可用性，使得基于AI开发小产品、解决垂直领域问题的门槛大大降低。创意和执行力将变得比拥有庞大算力更重要。
  

总而言之，AI正在从一个新奇玩具，变成我们电脑里最强大的“瑞士军刀”和“副驾驶”。2026年，这场工具革命只会更深入。与其观望，不如现在就找一个具体的问题（比如清理你的电脑文件夹、学习一门新课、为一个Side Project写代码），尝试用这种“提供大量上下文，让AI综合处理”的新模式去解决它，你立刻就能感受到生产力的飞跃。

评论区也欢迎大家分享：你最近用AI解决过的最复杂或最得意的一个任务是什么？ 我们一起交流学习！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。