多项 AI 服务订阅费悄然累积，这让我最初对 Claude Pro 持保留态度。在体验 Google AI 和 ChatGPT 数月后，我仍在纠结去留。
Gemini 4 Argon 初体验：为何首测失利
Gemini 4 Argon 是谷歌 Gemini 4 系列首款模型。该模型于 9 月 30 日发布，率先面向安全团队开放，随后于 10 月 13 日向 Google AI Pro 和 Ultra 订阅用户开放。我从 Plus 升级至 Pro 后获得了早期访问权。
首次正式测试中，我将 Argon 与 Claude Fable 5.1 和 GPT-6 Astra 对比，要求三者生成基于单 HTML 文件的步进音序器。Argon 展现了鲜明个性——自命名为 TR-86 并模仿老式 Roland 设备外观，但调整窗口即破坏布局，且低频缺失。此次对比中，Argon 表现最差。
复盘来看，这次测试并不匹配。鼓机项目通常只需单次提示即可快速完成，而我却以“快速生成小工具”的标准评判 Argon，这并非其强项。
Argon 的核心定位：深度推理与长周期任务
谷歌官方说明清晰指出，Argon 专为“深度、长周期推理”构建，适合步骤繁多、需长时间持续工作且无需频繁人工干预的任务。相比之下，11 月推出的 Gemini 4 Hydrogen 旨在处理快速日常任务。在 Artificial Analysis Intelligence Index 排名中，Hydrogen 以 51 分微弱优势领先 Argon 的 50 分。若当初针对小型一次性任务选用 Hydrogen，体验或许更佳。
Argon 的优势在于处理大型任务，尤其是编程场景。它具备处理长期、多步骤编码工作的能力，能规划整个项目并持续执行。通过 API 开启长响应功能后，单次响应可达百万 token（含提示词和思考过程），远超旧版模型的 64,000 token，这意味着它能一次性写出完整应用代码。
开发者指南建议：启动前分享目标，要求 Argon 针对边缘情况提出澄清问题；确定目标后，让模型执行整体计划而非逐轮提示。此外，“思考”模式提供低、中、高三种设置，建议使用满足需求的最低档位。另一实用技巧是录制屏幕视频并口述 Bug，交由 Argon 排查，这一交互体验优于 Claude。
策略调整：从随意提问到结构化简报
针对 Argon，我最大的改变是将提示词编写为结构化规范文档：顶部明确目标，中间详述“完成”标准，末尾要求自我检查。此次项目规模远超前次，我要求构建具备乐句编排及导出功能的完整 Groovebox。
Argon 在输出代码前先给出计划，清晰阐述模块连接逻辑。即使我不写代码，也能理解功能实现路径。它似乎真正理解了工具用途，做出了符合音频工程逻辑的决策，并加载演示音轨供即时反馈。
最终项目中，Argon 区分了可行部分与假设部分。首次尝试即成功导出音频文件，但仍存在细微失误：指定小节播放功能实际仅返回开头；低频在耳机听感饱满，但在扬声器上显单薄；主音量过大，按钮标签尺寸变化缺乏多样性。
结论：特定场景优势明显，但难取代全部订阅
若主要需求是快速问答、查错或制作小工具，Argon 并非最佳选择，它在大型项目中才能发挥价值。对于常需构建完整应用或处理海量文档的用户，Google AI Pro 相比 Claude 和 ChatGPT 更具优势。然而，鉴于这是特定用例且差距不大，我目前仍会保留其他订阅。