视觉 vs 描述。将任务拆分成不同模型的效果比预期更好。

大约一小时前，我在使用 Claude 项目编写代码。我正在构建我的网站，并考虑从 Image 2 生成原型，然后使用 Claude。我要求它根据显示的图像提供 Next.js 和 Tailwind 的组件。但它生成了胡言乱语。视觉描述完美地处理了所有视觉元素，但 Claude 无法将其编码，生成了一些……*可耻*的内容。因此，尽管 Claude 擅长编码和创意写作，但在分析图像时却完全不行。经过简短研究后，我使用 Gemini 通过 XML 正确定义了视觉内容。然后将 XML + 视觉内容粘贴到 Claude 中。结果它生成了与显示完全一致的内容（只是背景为黑色并做了一些调整）。之前我的成本是：250K token = 废话。之后，成本是：140K token。成本更低，但结果实际上大不相同。对此你怎么看？PS：顺便说一下，我正在考虑制作一部纪录片，讨论如何使用 LLM 构建强大的 SaaS。我会讨论我的失败和领悟。只是说说而已 ^⁠_⁠_⁠_⁠_⁠_⁠_⁠_⁠_⁠_⁠^ 。如果我不适合这个子论坛，请点踩并评论。