第 12 章

有想的、沒想的：Reasoning 模型是什麼

你在第 9 章看過對話裡的「思考塊」——AI 回答前面那一坨可以摺疊起來的小字。這章要回答的是：為什麼有些 AI 會先在心裡想一輪、有些不會、想的那一輪要不要算你錢、什麼時候值得多花那個錢。讀完你就會知道，同一個 Session 遇到「幫我挑冷氣」跟「順便關個燈」，該分別派哪一種模型上場。

為什麼要懂「有想」跟「沒想」

你在第 9 章已經知道「思考塊長什麼樣、怎麼展開看」，但沒解釋為什麼有些模型會冒出這塊、有些不會。這章補上這一課，因為它牽動兩件很實際的事：錢包跟等待。

  • 錢包：會思考的模型比不會思考的模型，同樣一個問題可能貴 10 倍、20 倍，甚至 100 倍。因為那一整坨思考文字，AI 廠商都當成「輸出（output）」在計價，跟你看到的回答一起算 tokens。
  • 等待：會思考的模型從你按下 Enter 到看到第一個字，通常要多等 5-30 秒（複雜問題有時候一分鐘以上）。因為它真的在後台跑「草稿紙」那一輪。

但反過來說，會思考的模型答案品質也顯著比較好。所以這章的目標是讓你有能力做這個判斷：什麼問題值得多花那些錢跟時間、什麼問題根本用便宜的就好。做完你就能自信地在下一章的模型下拉裡挑對那一個。

觀念：這章跟第 10 章「為什麼要接不只一家 AI」是一體兩面。第 10 章說的「一支不夠用」，其中一個很大的原因就是「日常聊天不需要思考、遇到硬題目要有會思考的頂上」。有想、沒想，是你多支金鑰的分工邏輯。

Reasoning 模型和一般模型到底差在哪

拿你國三數學考試當比喻，就很清楚。

  • 一般模型（沒想的）：像你背九九乘法的時候，「七八五十六」直接脫口而出，中間沒有思考過程。老師問你、你就答，快、便宜、大部分時候夠用。適合的題目是「客廳燈是哪個 entity_id」、「北北基下雨的話回你什麼」這種一秒鐘就能答的。
  • Reasoning 模型（有想的）：像你算一題應用題，先在草稿紙上寫「已知條件是 A、B、C，先算 X、再算 Y、代回原式得到答案」，寫滿半張紙，最後才在答案欄寫一個數字。慢、貴、但複雜題目答對率高很多。適合的題目是「幫我把家裡三支冷氣、月份、電費、每人使用時段全部考慮進去，算哪種夜間排程最省」。

Reasoning 模型那張「草稿紙」，就是第 9 章你看過可以展開的思考塊。它不是裝飾，是模型真的在裡面推理、驗算、換個角度想。所以答案品質好，但那一整張草稿紙的字也是 AI 產出的 tokens，一樣要算你錢。

提示：你可能想問「那我叫一般模型『請你先想一想再回答』，效果會不會一樣？」——效果會好一點點，但差得遠。因為 reasoning 模型的思考能力是「訓練時特別練過」的，不是靠 prompt 硬要就能開出來。這一點很多人搞混。

哪些模型是 reasoning、哪些不是

Pi Agent 支援的六家 provider 都有 reasoning 和非 reasoning 兩類模型。下面這張速查表（截至 2026 年 8 月）幫你分清楚哪個是哪個。模型清單與價格變動很頻繁——DeepSeek 已把 R1／Reasoner 併進 deepseek-v4-pro、Anthropic 從 4.7 起把 budget_tokens／extended thinking 全面收掉改成 adaptive，本章底下的估算數字都當「量級參考」看，正式付費前請以各家 provider 的定價頁為準：

模型 Provider 是不是 reasoning 思考塊會不會給你看
GLM-4.6 智譜清言 是 會（用 zai 格式包在特殊 tag 裡）
GLM-4-Flash 智譜清言 否 沒有思考塊
DeepSeek-v4-pro（含前身 R1／Reasoner） DeepSeek 是 會（放在 reasoning_content 欄位）
DeepSeek-v4-flash（V3／Chat 併入） DeepSeek 否（可視為輕量 chat 走非 reasoning 路線） 沒有
Claude Opus 4.7 / 4.8 Anthropic 是（只支援 adaptive thinking，模型自己決定要不要想；官方已停用 type:"enabled"／budget_tokens） 預設 display: "omitted"——只回空的 thinking block（有 signature 沒明文），要看得先在 provider 端把 display 改成 summarized
Claude Sonnet 4.6 / Opus 4.6 Anthropic 是（可設 adaptive；舊 budget_tokens 已 deprecated，仍能跑但不建議） 會，預設 summarized（Anthropic 官方摘要過）
Claude Sonnet 4.5 / Haiku 4.5 及更早 Claude 4 系列 Anthropic 只支援舊式 extended thinking（type:"enabled" + budget_tokens），沒有 adaptive 會（summarized）；Haiku 4.5 屬「keep last turn only」，多輪後前面思考塊會被自動剝掉
OpenAI o1 / o3-mini（或 o4 系列） OpenAI 是 不給你看原文（OpenAI 政策；2026 年開始新的 o 系有 reasoning summary 摘要選項，但完整 CoT 仍不公開）
GPT-4o / GPT-4.1 / GPT-5-chat OpenAI 否 沒有
Kimi K2-Instruct-0905（走 Groq） Groq 否（Groq 只上架 K2 Instruct 版；K2-Thinking 只有 Moonshot 官方 API 有，Groq 沒有） 沒有
Llama 3.3 70B（走 Groq） Groq 否 沒有
MiniMax abab-6.5 MiniMax 否 沒有
注意：「OpenAI o 系有 reasoning 但不給你看」這件事很多新人踩雷——你在 Pi Agent 選了 o1／o3-mini，覺得「怎麼沒有思考塊、是不是我設錯了」，其實是 OpenAI 官方就不吐完整 chain-of-thought 給任何 client（2026 年之後新版 API 可以要 reasoning summary，是摘要不是原文）。你在對話介面看不到思考塊，但錢還是照樣算了那一大堆思考 tokens。這是這章後面「隱藏思考塊不等於省錢」的活教材。

Claude Opus 4.7／4.8 也類似——官方預設 display: "omitted"，就是「返回空的 thinking block、但 signature 帶著加密思考給下一輪」。想看內容要在 Pi Agent 對應的 provider 設定把 display 改成 summarized。

thinking format 是什麼（Pi Agent 專有名詞）

你在第 6 章貼金鑰的時候，Add Model 對話框裡有一個欄位叫 thinkingFormat，下拉選單通常有這幾個選項：zai、deepseek、native、或空白（不填）。這個欄位在告訴 Pi Agent「等一下收到 AI 回應的時候，思考塊會用哪種格式包裝、要怎麼拆出來給使用者看」。

四個選項對應的意思：

thinkingFormat 值 誰在用 思考塊怎麼藏 典型模型
zai 智譜（Zhipu／z.ai）家 典型作法是把思考文字包在 <think>…</think> 這類 tag 裡（GLM-Zero／GLM-4.5-air 的 open-weight 版本明確用這個 tag；GLM-4.6 官方 API 有時是 reasoning_content、有時是 tag）；Pi Agent 用 zai 這個標籤觸發它內部的智譜家專用拆解邏輯，實作細節你不用管，記得選對就好 GLM-4.6、GLM-Zero、glm-4-plus
deepseek DeepSeek 家（許多 OpenAI-compatible reasoning 模型也吃這個） 思考文字放在 API 回應的 message.reasoning_content 欄位，跟正式答案 message.content 分開放 DeepSeek-v4-pro（含前身 R1／Reasoner），以及部分走 OpenAI-compatible 的其他家 reasoning 模型
native Anthropic（走 Messages API） 思考變成一個獨立的 content block（type: "thinking"），跟 type: "text" 平行擺；4.7 以後預設 display: "omitted"，thinking 欄位是空的、signature 帶加密內容 Claude Opus 4.5 / Sonnet 4.5 / Haiku 4.5（extended）；Sonnet 4.6 / Opus 4.6 / Opus 4.7 / Opus 4.8（adaptive）
空白（不填） 非 reasoning 模型 沒有思考塊，回應就是純答案 GLM-4-Flash、DeepSeek-Chat、GPT-4o、Claude Haiku、Llama 3.3

Pi Agent 用這個欄位決定「要不要在對話介面上多渲染一個可展開的思考塊卡片」。填對，你才看得到那塊漂亮的灰底摺疊區。填錯的後果，看你怎麼錯法：

錯誤情境 後果
GLM-4.6 選成空白 對話會出來，但你會看到答案前面出現一坨莫名其妙的 <think> tag 跟一大段草稿——因為沒人幫你拆出來變成獨立卡片
DeepSeek-R1 選成 zai 思考塊完全消失（因為 R1 沒有把思考藏在 <think> tag 裡，而是塞到另一個欄位），但你會發現「怎麼這個模型好像沒在想」——其實有，只是你看不到
Claude Opus 選成 zai 或 deepseek 看不到思考塊，且可能整個回應解析失敗，畫面顯示「error parsing response」之類的訊息
GPT-4o 選成 native 沒有實際傷害（GPT 本來就沒思考塊），但那個 flag 意義不大，Pi Agent 收到後會發現沒有 thinking block 就當一般回應處理
觀念：Anthropic 走 api: "anthropic" 模式的時候（不是 openai-compatible），Pi Agent 會自動用 native 格式處理思考塊，你甚至不用手動選——thinking block 是 Anthropic Messages API 原生就有的欄位。這是第 11 章提到的「Anthropic 走自己的路」的其中一個好處：格式全部自動化。

有想的到底比沒想的貴多少

價格免責聲明：下面所有台幣估算都是 2026 年 8 月的量級參考，是「用來直覺感受差距」不是報價。實際帳單以各家 provider 的官方 pricing 頁為準（Anthropic、DeepSeek、OpenAI、智譜、Groq、MiniMax 的價格每兩三個月就會動）。特別提醒：DeepSeek 已把 R1／Reasoner 併進 deepseek-v4-pro，本表用「DeepSeek-R1」是為了跟第 11 章保持一致的稱呼，實際計費是 v4-pro 的價。

抽象講「貴 10 倍」沒感覺，我們拿同一個問題，實地比一次。假設你問這個問題（很典型的家庭自動化題目）：

幫我寫一個自動化：晚上 10 點開始，慢慢把客廳燈調暗到 20%，
到 10 點半完全變成夜燈色溫，過程要平滑，不要突然變暗。

這是一個「有點難、需要想清楚 transition 與時間邏輯」的問題。同樣一句話，丟給不同模型會發生什麼事：

模型 會不會想 思考 tokens 回答 tokens 估算費用（台幣）
GLM-4-Flash 不會 0 約 500 約 0.01 元
DeepSeek-Chat（V3） 不會 0 約 500 約 0.05 元
GLM-4.6 會 約 2,000 約 600 約 0.5 元
DeepSeek-R1 會 約 3,000 約 600 約 1.5 元
Claude Sonnet 4.6（開 thinking） 會 約 3,000 約 600 約 4 元
Claude Opus 4.7 會 約 3,000 約 600 約 15 元

看得出來：同樣一個問題，最貴（Claude Opus）是最便宜（GLM-4-Flash）的 1,500 倍。差 1,500 倍能買什麼？1,500 個問題 vs 1 個問題。所以這件事真的不能亂選。

注意：思考 tokens 全部都算成「輸出 tokens」在跟你收費，不管是 Anthropic、DeepSeek 還是 GLM 都一樣。你在 Anthropic 官方文件會看到一段話「thinking tokens count toward the max_tokens limit for the turn」——直接明說思考塊算在 max_tokens 裡，跟正式回答共用同一個計費池子；回應裡透過 usage.output_tokens_details.thinking_tokens 這個欄位可以查這一輪 Anthropic 幫你計費的 thinking token 數。DeepSeek 那邊走 OpenAI-compatible 介面，reasoning 用量通常對應 usage.completion_tokens_details.reasoning_tokens（依 provider／版本略有差異），方便事後查帳。

什麼時候值得多花那個錢開 reasoning

不是所有問題都值得叫 reasoning 模型上場。下面這張表列常見場景，判斷你這一題該不該切過去：

場景 值得開 reasoning 嗎 建議模型
「客廳燈叫什麼名字」「儲藏室有沒有溫度感測」這種查東西 不值得 GLM-4-Flash、DeepSeek-Chat、GPT-4o-mini
「今天天氣如何」「跟我聊聊今天想吃什麼」閒聊 不值得（reasoning 反而顯得囉唆） GLM-4-Flash、Claude Haiku
「客廳燈開起來」「主臥冷氣調 26 度」單一動作 不值得（叫 tool 就好） GLM-4-Flash
「幫我看這個自動化為什麼半夜跑不起來」除錯 值得 GLM-4.6、Claude Sonnet 4.6
「我要買冷氣，考慮房間坪數／隔熱／預算，推薦兩三款」重要決策 非常值得 Claude Opus 4.7、DeepSeek-R1、GLM-4.6
「幫我把客廳＋餐廳＋房間三支冷氣、每個人的作息、時電區間，全部算進去，寫成一份省電排程」複雜規劃 非常值得 Claude Opus 4.7
「幫我寫這個複雜的 Jinja 模板，把三個 sensor 的歷史平均起來算能耗」寫程式 值得 GLM-4.6、Claude Sonnet 4.6、DeepSeek-R1
「幫我把這個 YAML 從 3 段格式改成新版 triggers/actions」機械式改寫 不值得 GLM-4-Flash、DeepSeek-Chat
「這個 Skill 該怎麼設計 SKILL.md 的 frontmatter」設計討論 值得 Claude Sonnet 4.6、GLM-4.6

一個好用的心法：如果這個問題就算 AI 答錯了、你損失不大（比如問錯燈的名字大不了再問一次），用便宜的。如果這個問題答錯了會讓你多花錢、多修東西、或做錯決策（買錯冷氣、寫錯排程跑了一個月才發現），花錢開 reasoning 值得。把 AI 費用當成「保費」在看，就不會覺得多花那 15 塊台幣心痛。

提示：還有一個小竅門：看 AI 有沒有工具可以用。如果這個問題本質是「叫 tool 拉資料」（HA 查 state、開關燈這種），不需要 reasoning——這種題目誰想都是一樣答案，快就好。如果本質是「要在腦袋裡權衡多個方案、想清楚順序」，reasoning 幫得上忙。

關掉思考塊顯示≠省錢，這個要搞清楚

Pi Agent 某些版本的對話介面上，有一個小小的「隱藏思考塊」開關（通常在 Session 右上角三個點展開的選單裡），按下去思考塊就摺起來、視覺上乾淨很多。很多人一按下去就以為「太好了，我叫它不要想，錢包鬆一口氣」。

大錯特錯。這個開關只是 UI 上把那塊灰底卡片藏起來——AI 那邊照樣在想、照樣產出那些思考 tokens、照樣跟你收錢。你少的只是眼睛看到的視覺負擔，不是荷包裡的錢。

你以為 實際上
按「隱藏思考塊」= AI 不會想 = 不花錢 只是眼睛看不到，AI 一樣想、一樣花錢
OpenAI o1 沒顯示思考塊 = o1 沒思考 o1 有思考（很大量），只是 OpenAI 不給你看，錢一樣算
選 Claude Sonnet 4.6 但不開 thinking = 便宜的 Sonnet 沒開 thinking 確實比較便宜（沒思考 tokens），但答案品質就退回普通模型水準
把 thinking budget 設 1024（Anthropic 硬性最小值）= 幾乎不花錢 是有省一點，但 AI 只想那一點通常也答不出好答案，這錢等於白花；而且這招只對 Claude 4.5／4.6 有效，Opus 4.7 以上根本不吃 budget_tokens（直接回 400），只能用 adaptive + effort 檔位

真正省錢的做法只有一個：換一個不會思考的模型。GLM-4.6 換 GLM-4-Flash、Claude Opus 換 Claude Haiku、DeepSeek-R1 換 DeepSeek-Chat。或者，同一個模型如果 provider 支援關 thinking（比如 Claude Sonnet 4.6 就可以），那就把 thinking 關掉。

觀念：Anthropic 官方文件對 thinking 費用的說法很直白：「thinking tokens count as billed output tokens」——它們就是輸出 tokens，跟你看到的答案共用同一個計費規則。DeepSeek 也是。GLM 那邊 zai 格式的思考文字則是包在整段 output 裡一起計費。所以隱藏 UI 對錢沒幫助。

混搭策略：一個對話怎麼跨模型

實務上，很多人的做法是：一個 Session 裡不同階段用不同模型。這是第 10 章「多接幾家」策略在同一個對話裡的具體應用。

典型的節奏長這樣：

  1. 開場探路用便宜的

    Session 剛開的前幾輪，你在描述問題、探索背景、確認 AI 有沒有找到對的 entity——這階段用 GLM-4-Flash 或 DeepSeek-Chat 就夠。快、便宜、答對率也不差。這時候花大錢請 Opus 幫你「查一下客廳燈叫什麼」，就是拿獅子殺雞。

  2. 發現要深想的時候切過去

    當你發現「這個問題有點複雜，需要 AI 幫忙好好想一輪」（比如它前面已經幫你查完所有相關 entity，現在要規劃一個橫跨三個房間、四個裝置、六個時段的自動化），這時候在下一章教的模型下拉切成 GLM-4.6 或 Claude Sonnet 4.6。

  3. 切完之後前面的訊息不會重跑

    切模型的當下，前面所有訊息不會重新丟給 AI 跑一遍（那樣太浪費）。但下一次你發訊息，前面所有累積的對話會被新模型「讀過一次」當上下文——這一讀是要算 input tokens 的錢，不算免費。所以切模型有一個一次性成本，但通常還是划算，因為你等於在最需要的那一步才動用重砲。

  4. 深想結束可以再切回便宜的

    Opus 幫你想出方案、也寫好初版 YAML 之後，接下來如果只是「你幫我把冷氣的溫度改成 24 度」這種小修，切回 GLM-4-Flash 繼續改。這樣整個 Session 只在「真的需要想」的中段花大錢，前後都便宜。

提示：怕忘記切回來？可以在 Session 名稱加個註記，比如「客廳自動化規劃（用 Opus 中段）」。第 8 章教你怎麼改 Session 名字。這樣下次打開就記得這是需要換模型的 Session。

常見卡關

  1. 選了 GLM-4.6 但看不到思考塊

    回第 6 章教你貼金鑰的 Add Model 對話框，檢查那個 thinkingFormat 欄位是不是選了 zai。空白的話 Pi Agent 不知道怎麼拆思考塊，會把 <think>…</think> 那段當普通文字塞給你看（很醜的一坨）。選成 deepseek 或 native 的話思考塊會完全消失。改成 zai、按 Save，重開一個新的 Session（舊 Session 通常也會生效）再試一次。

  2. 明明是 reasoning 模型但答案品質很爛

    兩個可能：（a）思考 token budget 太小——如果你的 provider／模型還吃 budget_tokens（Anthropic Claude Sonnet 4.5／Haiku 4.5／Opus 4.5 這代還在支援；4.6 已 deprecated 但仍能跑；4.7 以後直接回 400 錯誤，不能設），可以試著調高。Anthropic 官方硬性下限是 1,024，官方建議：簡單題目從 1,024 開始加、複雜題目從 16,000 起跳。DeepSeek-v4-pro 有隱含上限、通常不用手動調。（b）題目本身就不適合 reasoning——如果你問的是「客廳燈叫什麼名字」這種查資料題，reasoning 模型答得比普通模型還慢還囉唆，因為它會「想不必要的東西」。這種題目換 GLM-4-Flash 反而更好。

  3. 從有想切成沒想後 AI 好像「變笨」了

    正常，你少了那張草稿紙。GLM-4.6 切成 GLM-4-Flash、Opus 切成 Haiku，答案深度會下降。如果你剛才問的問題本來就需要深想（比如規劃自動化），切回便宜模型之後它可能給你比較平面、少考慮邊角情境的答案。如果你切回便宜的之後感覺失望，就是該切回貴的訊號——說明這個問題確實需要 reasoning。

  4. DeepSeek 的 reasoning（v4-pro，前身 R1）一直觸發 rate limit 或超時

    DeepSeek 官方 API 在中國白天／傍晚 peak 時段常常伺服器爆滿，request 會被排隊、甚至超時。解法（優先順序）：（a）暫時切成 GLM-4.6 頂替，一樣是會思考的模型，中文品質也好。（b）晚一點再試（台灣時間深夜通常暢通）。（c）在 Pi Agent 的 Session 設定裡加 fallback 模型，讓主模型失敗自動切到備援，這樣不會整個對話卡住。（模型名稱小提醒：舊教學稱「DeepSeek-R1」，2026 年官方已改稱 deepseek-v4-pro，是同一條 reasoning 路線的後代。）

  5. 思考塊超級長，跑了 30 秒還在轉

    複雜問題 reasoning 模型跑一分多鐘都算正常，別以為壞了就狂按停止。可以先切到 Pi Agent 的其他分頁（比如 Skills）去看點別的，回頭看那邊自己會跑完。真的太慢，下次同類問題把 thinking budget 調低一點（如果 provider 支援），或直接換家 provider——DeepSeek-R1 的思考通常比 GLM-4.6 深、也比較久。

  6. 換到 OpenAI o1 之後對話介面完全沒思考塊

    這不是 bug 是設計。OpenAI 官方就不吐 o1 的思考內容給任何 client（他們把 chain-of-thought 當成商業機密），Pi Agent 拿不到就沒得渲染。你只會看到最後答案跟 usage 那邊統計出來的 reasoning_tokens 數字——證明有想過、但看不到內容。可以接受就繼續用 o1，想看思考塊就換 GLM-4.6 或 Claude。

常見問題

思考塊我到底要不要展開來看？
看場合。品質檢查的時候要看——例如你叫 Opus 規劃一份複雜自動化，展開思考塊可以確認它有沒有想到你在意的邊角情境（比如夜間、假日、有客人的時候）。有的話你就放心，沒的話你可以在下一輪追問。日常聊天不用看——那些草稿是給 AI 自己用的，對你沒特別價值。Pi Agent 的介面預設會把思考塊摺起來，就是這個道理：你想看再點開，不然不用干擾。
Reasoning 模型可以叫它「不要想、直接答」嗎？
看是誰家的模型：（1）Claude Sonnet 4.6／Opus 4.6 可以間接控制——舊的 thinking: {type: "enabled", budget_tokens: N} 官方已標 deprecated 但還能跑，或改用 type: "adaptive" 搭 output_config: {effort: "low"}，effort 低時 Claude 會自動略過簡單題的思考。（2）Claude Opus 4.7／4.8／5 系列只有 adaptive、且 type:"enabled" 直接回 400 錯誤——只能靠 effort 調深淺，不能硬關。（3）DeepSeek-v4-pro、GLM-4.6 主要靠 provider 一鍵決定，client 端很難精確控制。（4）OpenAI o1／o3-mini 一定會想，這是設計本質；GPT-5-chat 不會。結論是「多數場合是 provider／模型自己決定的，你能做的主要是選對模型跟 effort 檔位」。
思考塊裡的內容可以直接複製給別人看嗎？
技術上可以（就是普通文字），但要挑對象。行家看得懂——同樣搞 HA 自動化的朋友、寫過程式的同事、AI 圈內人，展開思考塊看模型的推理過程對他們很有價值，可以幫忙判斷 AI 有沒有搞錯方向。一般人不建議——思考塊往往有大量自言自語、換來換去、否定又肯定的過程，非技術背景的人看了會困惑「AI 是不是不確定？我還能信嗎？」這時候你貼最終答案給他就好，思考塊留自己看。
未來會不會全部模型都變成 reasoning？普通模型會消失嗎？
短期兩年不會，長期可能。業界趨勢很明顯（Anthropic 從 4.7 開始只支援 adaptive thinking，OpenAI o1／o3 系列全 reasoning，GLM／DeepSeek 主打的都是 reasoning 版），但「輕量非 reasoning 模型」還是會被保留很久，理由是成本考量：日常大量、簡單、批次的任務（客服 chatbot、關鍵字查詢、格式轉換），根本不需要 reasoning，用便宜的划算多了。你未來的 Pi Agent 大概率會長這樣：主力用有 reasoning 的頂尖模型、日常查詢跟 tool call 用非 reasoning 的輕量模型，一起跑。跟現在的策略沒有本質差別。
Pi Agent 有沒有辦法自動幫我判斷這題該用哪個模型？
現階段沒有官方的「auto model selector」功能——切模型還是要你自己決定，用下一章教的模型下拉手動切。有一個變通做法：某些 provider（比如 OpenRouter）有自動 fallback 或路由功能，你叫它接一個複雜問題進來，它會幫你分派到適合的下游模型。這在 Pi Agent 裡表現成「你選 OpenRouter 的 auto 模型，實際幫你跑的可能是 Claude、GPT 或 DeepSeek」。方便但透明度低（你不知道這一輪到底是誰在答），適合不太在意成本、想要一鍵解決的人。
思考塊會佔用 context window（上下文長度）嗎？
會，但看 provider 怎麼處理。Anthropic 官方文件說明得很清楚：keep-all 模型（Claude Opus 4.5 及以上所有 Opus、Sonnet 4.6 及以上所有 Sonnet、Fable 5、Mythos 5、Mythos Preview）會把前幾輪的 thinking blocks 保留在 context 裡當 input tokens 計費；keep-last-turn-only 模型（Sonnet 4.5、更早的 Opus／Sonnet，以及所有 Haiku 一路到 Haiku 4.5）則會在你發下一個非 tool-result 的 user message 時，把之前所有 thinking blocks 從 context 裡剝掉（節省 context 空間）。DeepSeek 的 reasoning_content 通常不會被自動放進下一輪 context（除非你程式端手動塞回去）。實務影響：長對話配 keep-all 的 reasoning 模型，context 消耗會顯著快於非 reasoning 模型。發現對話跑到後面 AI 開始「忘記前面說什麼」的時候，這是原因之一——這時候該 fork 一個新 Session 從關鍵訊息重來（第 8 章教過 fork）。
下一步該做什麼？
你現在對「有想、沒想」有觀念了，也知道各家 provider 的 thinking format 怎麼標。但你可能還沒動手在 Session 裡切模型——這正是下一章的主題：一句話切換 AI 的實際操作，包含模型下拉的位置、切換後 context 保留規則、以及怎麼拿同一個問題比對不同 AI 的答案品質。翻過去把這個技能練熟，你就能真正玩「日常便宜、關鍵時刻頂級」的混搭策略了。