打开应用商店搜「AI 助手」，前几屏的名字都眼熟。真到要选一个当主力，多数人的依据是两条：谁广告多，谁最近上了新闻。这两条都不指向你一周里用得最多的那件事，于是用两周之后得出「也就那样」的结论。
差距比宣传小，比参数表大
头部几家的基础能力已经很接近：日常问答、写文案、读文档，都能做，差异体现在具体场景的顺手程度。参数表上的数字——上下文长度、支持语言数、跑分——能说明上限，说明不了你那份文件的第十七条它能不能找出来。所以选型的第一步，是把「我用它干什么」写下来，而不是把「它有多强」看一遍。
五类场景，各看各的
| 使用场景 | 该看什么 | 别被什么带偏 |
|---|---|---|
| 写作与整理 | 中文是否自然、改稿时听不听得懂指令、模板顺不顺手 | 跑分排名；写公文和写社交文案是两种能力 |
| 编程与排错 | 对报错信息的理解、多文件上下文、会不会编不存在的接口 | 「支持多少种语言」的宣传，那通常指语法高亮 |
| 长文档处理 | 能装多长、能不能定位到细节、引用时会不会串页 | 只看上下文长度数字，不看实际检索准确度 |
| 查资料与问答 | 联网是否默认开、来源能不能点开、旧信息会不会当新的说 | 回答的流畅度；流畅和准确是两件事 |
| 图片与音视频 | 中文场景的理解力、生成的可控性、有没有版权说明 | 样图的精美程度，那是挑过的 |
每一行的「该看什么」都指向可实测的行为，而不是可比较的参数。这也是为什么别人的评测只能当参考：他们测的任务和你的任务不是一回事。
长文档：装得下和找得到是两件事
上下文窗口的数字每年都在涨，但「能装进去」和「能用上」之间隔着一层注意力。一份八十页的报告塞进去，问它第十七页的付款条件，有的助手能准确引出来，有的会给一段语气笃定但页码对不上的概括。这个差别只能实测：拿一份你熟悉的材料，问三个你已知答案的细节问题，看它错几个。
窗口的机制和它为什么会忘，上下文窗口的实际限制那篇讲得更细。选型时的实务建议是：如果你的主场景是读长材料，这一项要占决策权重的很大一部分，因为它决定你是在「问文档」还是在「问一个读过文档的人」。
编程：用你自己的报错测，别用题库
编程能力的差距，在标准题上体现不出来，在「我们项目里这个诡异的报错」上体现得很明显。测法是现成的：翻出上周卡了两小时的那个堆栈，原样贴进去，看它给的是通用建议还是针对这条错误链的判断。再看它会不会给出「看起来对但跑不起来」的代码——这类输出比明确说不会更浪费时间。
还有一点常被忽略：它对你项目里那些没写在文档里的约定一无所知。哪个字段不能为空、哪个接口有隐藏的重试、哪段代码不能动，这些只有你知道。所以编程场景的选型，重点不在它多能写，在它多能读懂你给的那部分。
三个最容易带偏的信号
名气。名气大通常意味着资源和迭代速度，但不等于在你的场景里顺手。用写文案的工具去读文件，用查资料的工具去改代码，然后得出「这个 AI 不行」，是典型的错配。
跑分。榜单测的是标准化任务，且存在被针对性优化的可能。一个在数学榜上领先的模型，未必能把一份中文材料里的责任条款讲清楚。
免费额度。额度大是好事，但免费版和付费版常常跑的不是同一个模型，或者同一个模型但限速、限上下文。用免费版测出来的体验，可能不代表付费后的水平；反过来，付费版好用也不代表免费版够用。这两者的实际差距，免费版与付费版差在哪拆得比较清楚，值不值得升，可以对照免费 AI 够不够用再判断。
两到三个候选，用一周定下来
候选别超过三个，多了测不完。每个都用你真实的任务跑一轮，别用「你好」「写首诗」这类测试题——它们测不出你关心的东西。跑完记两件事：这一次它省了你多少时间，以及你有没有花时间改它的错。后者常常被忽略，但它决定长期是不是真的省事。
定下来之后，其余的当补充而不是淘汰。主力负责八成任务，剩下两成用另一个补，这个组合比死磕「找出最强的一个」务实。工具会换、版本会更新，今天的选择半年后可能要重做一遍，这很正常。
还有一条不在体验里、但迟早会遇到：你贴进去的内容会被怎么用。企业用户要看条款里关于输入内容的约定，个人用户至少要清楚哪些内容不该贴进去。它和模型多聪明无关，但出事的时候，比聪明重要得多。顺带一提，长文档场景里那种页码对不上的概括，成因和AI 幻觉一致，读的时候要留一道核对。
速查：选助手的三条硬标准
- 先写清主场景，再谈选谁
- 用真实任务测，别用问候语测
- 长文档看能不能定位细节，不看窗口数字
- 免费版体验不等于付费版，分开评估
