十万字交给两个顶级 AI：一个浓缩成 4 页，一个写了 7 页——谁更懂「精炼」？
我们手上有一份将近十万字的 FDE（前线部署工程师）资料。
里面既有行业报告，也有从业者访谈、企业案例和薪酬数据。内容很扎实，但也很散。真要从头读完，至少得腾出一个下午；至于读完之后还能记住多少，就很难说了。
于是我们做了一个很直接的实验：把同一份资料分别交给 Claude 和 GPT-5.6 Sol，请它们整理成图文知识卡。要求只有一个——读者看完卡片，应该能抓住原文真正重要的东西，不必再回头啃那十万字。
结果出来时，我们先愣了一下。
Claude 交了 4 页，GPT-5.6 Sol 交了 7 页。页数差了将近一倍，却很难简单地说谁偷懒、谁啰嗦。认真逐页看完后会发现，它们只是对“精炼”这件事做出了两种完全不同的选择。
Claude 更像在替一个已经上过战场的人画地图；GPT-5.6 Sol 则像在给一支新团队编教材。
先说我们的真实感受
Claude 的 4 页版很像一张作战地图。 每页围绕一个大问题展开，三栏信息几乎没有空隙，页脚还会再压进一条流程。第一眼看上去有些重，需要停下来慢慢消化；但一旦看懂，里面的判断框架可以直接拿去开会和做决策。
GPT-5.6 Sol 的 7 页版更像一套培训材料。 它愿意多走几步，从定义、方法讲到验收阈值，再补上清单和决策画布。阅读负担更小，也更方便交给没有背景知识的同事，让大家沿着同一条路径理解和执行。
所以，这次没有“谁把谁打败”的戏码。相反，同一份资料被整理成了两种性格鲜明的成品，这件事本身比输赢更有意思。
Claude 4 页版：
GPT-5.6 Sol 7 页版：
第一处差别：怎么判断一个项目做成了
FDE 工作最难的地方，往往不是把系统搭起来，而是回答一句看似简单的话：这个项目到底算不算成功？
Claude 给出的办法很利落，可以概括成“五问”：模型听得懂业务语言吗？数据能用吗？接口接得上吗？一线用户愿意用吗？最终指标真的改善了吗？
这五个问题后面还跟着几条硬指标，例如触达率提升至少 20%、人效提升至少 15%、异常率不高于 5%。它没有替你把每一张表都填好，而是先帮你建立判断顺序。以后再碰到类似项目，脑子里会自然地先过一遍这五关。
GPT-5.6 Sol 走的是另一条路。它把验收标准直接整理成了一块可以拿去开会的指标看板：12 个月内 ROI 不低于 3 倍、90 天内采用率达到 70%、留存率不低于 60%、准确率达到 90%、NPS 不低于 40，单个项目还要沉淀出至少 3 个可复用场景。
它甚至把目标值、时间窗口和计算方法都写好了。团队第二天要开项目复盘会，几乎可以直接把这一页投到屏幕上。
两种做法的差别很直白：Claude 在训练你的判断力，GPT-5.6 Sol 在替你准备执行工具。哪一个更好，要看团队现在缺的是脑中的尺，还是手上的表。
第二处差别：什么项目值得接
不是每个客户需求都值得投入重兵。尤其是 FDE 这种深入业务现场的工作，项目选错了，几个月的人力很容易被消耗在无法复制的定制需求里。
Claude 用一张“四维矩阵”来处理这个问题：问题够不够关键、客户是否集中、领域是否过于碎片化、监管和数据是否形成足够的进入门槛。每个维度都列出了适合做与不适合做的特征。
其中有一句话很锋利：如果一个项目只能带来 10%—20% 的效率提升，通常不值得重兵投入。
这张表的好处是简洁，几分钟就能让人抓住取舍逻辑；但最后怎么判断，仍然需要有经验的人拍板。
GPT-5.6 Sol 则把判断做成了一张“灯塔客户筛选清单”：有没有真正负责结果的业务负责人？能不能拿到真实数据？需求边界清不清楚？场景是否匹配？项目有没有学习价值和行业影响力？客户愿不愿意深度合作？
七项逐一检查，再把战略价值和学习价值加权计分，达到 70 分才进入排期池。
如果说 Claude 给的是一把尺，GPT-5.6 Sol 给的就是一台已经调好刻度的秤。前者适合经验丰富的负责人，后者更适合需要统一团队判断标准的组织。
第三处差别：交付之后，究竟留下了什么
这是整份 FDE 材料里我们最在意的问题。
FDE 和传统外包的真正区别，不在于项目现场有多忙，而在于项目结束之后，经验有没有回到产品里。做完一个客户，下一个客户还得从头再来，那只是昂贵的人力服务；只有交付成本随着复用不断下降，这项工作才开始变成产品能力。
Claude 用数字把这件事讲得很有冲击力：第一个客户需要 45 人天，到第 5 个客户降到 3 人天，第 8 个客户只剩 2 人天。配合“项目制”和“本体化”的对照，毛利率可以从 25% 抬升到 55%—70%。
它没有花很多篇幅讲流程，却让人一眼看到沉淀资产为什么值钱——因为成本曲线真的变了。
GPT-5.6 Sol 更关心这条曲线是怎么一步步做出来的。它把过程拆成“现场工程—结果验收—产品回流”三个阶段，再加入 MVD（最小可行部署）的每周验证循环，以及一套连接免费验证、采购、法务和安全的“五步毕业机制”。
Claude 解释了为什么必须沉淀，GPT-5.6 Sol 说明了怎样把沉淀做成日常动作。一个让管理者看懂经济账，一个让团队知道明天该从哪里开始。
放在一起看，差别更清楚
| 维度 | 4 页版（Claude） | 7 页版（GPT-5.6 Sol） |
|---|---|---|
| 整理思路 | 先保骨架和判断，尽量压缩 | 先保完整和可执行，宁可多讲几步 |
| 单页信息量 | 很高，需要停下来读 | 适中，阅读节奏更轻松 |
| 阅读门槛 | 更适合已有基础的人 | 没有背景也能跟上 |
| 最有价值的部分 | 决策框架、判断口诀、关键数据 | 阈值、清单、画布、执行步骤 |
| 更适合谁 | 管理者、资深从业者 | 新团队、新人、培训场景 |
选 4 页还是 7 页，先看材料要拿去做什么
我们平台里的两种整理方式，分别接近超凡档和精细档。真正选择时，不必纠结哪个模型名气更大，只要先问自己：这份材料最后会交到谁手里？
- 董事会材料、投资备忘录、竞品分析：更适合 4 页式的高密度表达。读者的时间有限，先给结论和判断框架，比解释所有来龙去脉更重要。
- 员工手册、操作规程、培训教材：更适合 7 页式的完整表达。读者需要照着做，少一步都可能造成理解偏差。
- 一本 300 页的书：两种方式都成立。想快速记住核心思想，可以选前者；想把内容讲给别人听，后者会更稳妥。
页数从来不是越少越高级，也不是越多越负责。能不能服务最终用途，才是判断精炼质量的标准。
这 11 张卡片是怎么做出来的
文章里的 11 张知识卡，都由 mvstudiopro 的图文知识卡流程生成。
我们把长文档放进去，系统先理解内容，再按不同的精炼方式重组信息、安排层级和版面，最后输出可以直接阅读和分享的图文卡片。合同、书稿、行业报告、内部调研，只要原始材料足够扎实，都可以用同样的方式处理。
对我们来说，这次实验最大的收获不是证明某个模型更强，而是更清楚地看到：所谓精炼，并不是机械地删字。它是在有限的篇幅里决定什么必须留下、什么可以省略，以及读者看完之后究竟要做什么。
常见问题
两个版本用的是同一份原始材料吗？
是。同一份约十万字的 FDE 资料包，也经过同一条知识卡生成流程，主要变量是精炼引擎。4 页和 7 页的差别，来自它们对信息取舍和组织方式的不同判断。
4 页版是不是删掉了更多内容？
删掉的字数确实更多，但主干仍在。三阶段流程、风险清单等内容被压进表格和页脚，省掉的主要是叙事、解释和过渡。它默认读者已经具备一定背景，能够自己补足上下文。
7 页版会不会太啰嗦？
实际读下来并不会。多出来的篇幅主要用在阈值、清单和决策工具上，而这些恰恰是团队真正执行时最容易缺失的部分。放在培训场景里，这些内容很难再省。
哪个版本生成成本更高？
知识卡按页计费，因此 7 页版的费用自然更高。不过，真正昂贵的往往不是多出的几页，而是材料用错了形式：给管理者一份过长的说明，会消耗决策时间；给新人一份过度压缩的结论，则会增加沟通和培训成本。
可以换成自己的文档吗？
可以。mvstudiopro 的图文知识卡支持上传长文档，再根据用途选择不同的精炼档位。合同、书稿、行业报告和内部资料都可以处理。
知识卡会泄露文档内容吗？
生成后的卡片由用户自行管理和使用。本文展示的是我们自己的实验材料，并在公开发布前添加了水印。涉及内部资料时，我们也建议区分对内和对外版本：内部保留原图，对外分享使用带水印版本。
为什么不让两个模型输出相同页数？
因为“应该整理成几页”本身就是精炼能力的一部分。如果一开始就锁死页数，就等于替模型做掉了最重要的一次取舍。我们想看的，正是它们面对同一堆材料时，会各自留下什么。
本文卡片素材由 mvstudiopro 图文知识卡流程生成，转载请保留水印与出处。