当 AI 模型不再挤在一间房里：一个项目的"分家"革命

当 AI 模型不再挤在一间房里：一个项目的"分家"革命

> 来源 commit: e6c189a — easy-learn-ai 每日更新

---

一、一个 5000 行的"巨无霸"

想象你走进一座图书馆，发现所有书——小说、教科书、杂志、地图——全部被钉在一本巨大的册子上。这本册子有五千页，没有目录，没有分类，只有密密麻麻的文字从前到后铺满每一页。你想找一本关于DeepSeek的书？翻到三千页左右，凭感觉摸索。想知道阿里最新的Qwen模型？也许在第两千四百页，也许不在，因为你也不确定上次更新是什么时候塞进去的。

这听起来荒谬，对吧？但在软件开发的世界里，这种"把所有东西塞进一个文件"的做法，比大多数人愿意承认的要常见得多。

easy-learn-ai 项目就是这样一个例子。在它的早期版本中，所有 AI 模型的信息——从 OpenAI 的 GPT-4 到 DeepSeek 的 R1，从阿里巴巴的 Qwen 到 Anthropic 的 Claude，从文本模型到图像生成器到视频工具——全部塞进了一个叫做 model.json 的单一文件里。这个文件有 5000 多行。

5000 行是什么概念？如果你把它打印出来，按标准 A4 纸排版，大概能有七八十页。想象一下，一个前端开发者想要更新某个模型的上下文窗口参数，他得在这八十页纸里翻找。更糟的是，这个文件旁边还有两个"兄弟"：img.json 和 video.json，按模态拆分，但依然是各自独立的大块头。

二、为什么"一个大文件"会杀死项目

在程序员的世界里，有一个半开玩笑的说法："如果文件超过 500 行，你就该考虑拆分了。"5000 行？那是灾难的前奏。

但为什么大文件是坏的？让我们用一个生活的比喻来理解。

想象你和一个室友合租一间公寓。刚开始，你们共享所有东西——冰箱、衣柜、书架。便宜、省事、不用想太多。但随着时间推移，问题出现了：你想在书架上放你的编程书，室友想放他的漫画。冰箱里的牛奶过期了，但谁买的？不知道。衣柜越来越满，找一件衬衫要翻十分钟。

软件项目的大文件就像这间过度共享的公寓。所有人都在往同一个地方塞东西，没有人清楚东西在哪里，改动一个角落可能意外碰倒了另一个角落。在 easy-learn-ai 的情况下，每当有人想添加一个新模型——比如说，Google 刚发布了 Gemini 的新版本——开发者必须打开这个 5000 行的庞然大物，在茫茫数据中找到合适的插入位置，小心翼翼地添加几十行 JSON，然后祈祷自己没有破坏别的模型数据的格式。

更大的问题是：协作。

当多个开发者同时在同一个文件上工作时，Git（版本控制工具）的合并冲突会变得极其痛苦。Alice 在文件末尾加了 DeepSeek 的新模型，Bob 在同一段落修改了 OpenAI 的描述，两个人同时提交——Boom，冲突。解决这种冲突就像两个人试图同时从相反方向解开一团毛线，越急越乱。

三、拆分的艺术：从一本百科全书到一座图书馆

2026 年 7 月 12 日，easy-learn-ai 项目做了一个重大的架构决策：拆分。

不是小修小补，而是彻底的重组。那个 5000 行的 model.json 被删除了。img.json 和 video.json 也被删除了。取而代之的，是一个名为 src/data/models/ 的新目录，里面住着 19 个独立的 JSON 文件——每个文件对应一家 AI 厂商。

让我们看看这个新"图书馆"的书架：

19 家厂商。19 个文件。每本书都有自己的封面和目录。

四、为什么这个拆分如此精妙

1. 单一职责原则

在软件工程中，有一条黄金法则叫做"单一职责原则"：一个模块应该只做一件事，而且把它做好。

在拆分之前，model.json 承担着所有厂商、所有模态、所有模型的数据存储职责。它既是中国厂商的档案柜，也是美国厂商的档案柜；既是文本模型的数据库，也是图像和视频模型的数据库。一个人不可能同时是医生、律师、厨师和飞行员——文件也一样。

拆分之后，每个文件只做一件事：存储一家厂商的模型信息。deepseek.json 只管 DeepSeek。anthropic.json 只管 Anthropic。如果一个开发者需要更新 Claude 的新版本，他只需要打开一个文件，而这个文件只有 373 行——不到原来的十分之一。找到目标、修改、保存、提交。干净利落。

2. 自动发现：让代码自己找路

拆分的另一个精妙之处，在于 API 层的重构。

原来的 modelApi.ts 大概是这么工作的：

import modelData from '../utils/model.json';
import imgData from '../utils/model/img.json';
import videoData from '../utils/model/video.json';

// 然后手动合并这三份数据
const allModels = [...modelData, ...imgData, ...videoData];

问题在于：每当你新增一个数据源，你都得回到这个 API 文件，加一行 import，加一句合并逻辑。这叫做"紧耦合"——数据和加载逻辑死死绑在一起。

重构后的 modelApi.ts 做了一件非常聪明的事。它使用了 webpack 的一个特性，叫做 import.meta.webpackContext：

function loadAllModels(): AIModel[] {
  const context = import.meta.webpackContext("../data/models", {
    recursive: false,
    regExp: /\.json$/,
  });

  const models: AIModel[] = [];
  for (const key of context.keys()) {
    const mod = context(key) as AIModel[] | { default: AIModel[] };
    const list = Array.isArray(mod) ? mod : mod.default;
    models.push(...list);
  }
  return models;
}

这段代码说的是："我不关心目录里有多少个文件，也不关心它们叫什么名字。我只要所有以 .json 结尾的文件，把它们全部加载进来，合并成一个数组。"

这是什么意思？这意味着，如果有一天 Mistral AI（法国的开源明星）发布了新模型，开发者只需要做一件事：在 src/data/models/ 目录下创建一个 mistral.json 文件，填入数据。API 层不需要改一行代码。下次构建时，webpack 会自动发现这个新文件，把它加载进去。

这就像图书馆的自动索引系统：新增一个书架，不需要重新编写整个图书馆的目录系统，系统自己会扫描到新书架的存在。

3. 统一的" DNA"

拆分不是简单的"一刀切"。所有这些文件都遵循同一套数据结构：

{
  "modelName": "DeepSeek-R1",
  "company": "DeepSeek",
  "country": "中国",
  "openSourceStatus": "开源",
  "releaseDate": "2025-01-20",
  "description": "...",
  "modelTags": ["文本生成", "深度思考"],
  "contextWindow": 64,
  "maxGenerationTokenLength": 16,
  "relatedLinks": [...]
}

每一个模型都有名字、所属公司、国籍、开源状态、发布日期、描述、能力标签、上下文窗口大小、最大生成长度，以及相关链接。这套统一的"DNA"意味着：无论模型来自中国的 DeepSeek 还是美国的 OpenAI，前端代码都可以用同一套逻辑来展示它们。

这非常像生物分类学。狮子和蓝鲸看起来天差地别，但它们共享同一套分类框架：界、门、纲、目、科、属、种。AI 模型也一样——Qwen 和 GPT-4 在架构和训练数据上可能完全不同，但在 easy-learn-ai 的"分类学"里，它们有统一的"元数据外衣"。

4. 父子关系的建立

数据结构中还有一个巧妙的字段：parent（父模型）。

以 DeepSeek 为例：

• DeepSeek-R1 是"父亲"
• DeepSeek-R1-Distill-Qwen-1.5B、7B、14B、32B 是"孩子"
• DeepSeek-R1-Distill-Llama-8B、70B 也是"孩子"

这种父子关系在数据中通过 parent 字段显式标注。它的意义不只是数据组织上的美观——它反映了 AI 模型世界中一个重要的现实：蒸馏（Distillation）。

什么是蒸馏？简单来说，就是一个大模型（老师）把自己的"知识"传授给小模型（学生）。老师可能有几千亿参数，学生只有几十亿。通过蒸馏，学生模型在保留老师大部分能力的同时，运行速度更快、成本更低、更适合在普通设备上部署。

easy-learn-ai 用 parent 字段记录这种关系，让用户一眼就能看出：这些 Qwen 和 Llama 的变体，本质上都是 DeepSeek-R1 的"学生"。这是一种知识图谱的雏形。

五、19 家厂商背后的全球 AI 版图

这次重构不仅仅是一次代码整理。它无意间绘制了一幅 2026 年 AI 产业的全球地图。

中国力量：7 家厂商

• 阿里巴巴（Qwen）：开源策略激进，Qwen3.5-Plus 号称性价比是 Gemini 3 Pro 的 18 倍
• 百度（ERNIE）：国内最早布局大模型的巨头之一
• 字节跳动（Seed）：TikTok 母公司，从推荐算法走向通用 AI
• DeepSeek：凭借 R1 推理模型在 2025 年初震动全球，开源路线
• 月之暗面（Kimi）：以超长上下文窗口著称
• 智谱 AI（ChatGLM）：清华系，GLM 架构独树一帜
• 腾讯（混元）：社交与游戏巨头的 AI 布局
• MiniMax、快手：新兴力量，MiniMax 专注多模态，快手押注视频生成

美国力量：8 家厂商

• OpenAI：GPT 系列的开创者，闭源商业化的标杆
• Anthropic：由 OpenAI 前员工创立，Claude 系列以安全和对齐著称
• Google（DeepMind）：Gemini 系列，科研实力深厚，上下文窗口激进
• Meta（Llama）：开源大模型的最大推手，Llama 系列被全球广泛采用
• xAI：马斯克的 Grok，带着"叛逆"和"实时"的标签
• Midjourney、Runway、Pika、Stability AI：图像和视频生成的"创意四天王"

欧洲力量：1 家

• Black Forest Labs（FLUX）：德国团队，FLUX 系列在开源图像生成领域异军突起

19 家厂商，19 种战略，19 个故事。它们被整齐地收纳在一个项目的目录里，通过统一的结构向用户展示。easy-learn-ai 不再只是一个"模型查询工具"——它正在成为 AI 世界的活地图。

六、开源 vs 闭源：一场无声的战争

数据结构中还有一个有趣的字段：openSourceStatus。

看看这些厂商的选择：

开源派：DeepSeek（中国）、阿里巴巴（Qwen）、Meta（Llama）、智谱 AI（GLM）、Stability AI、Black Forest Labs

闭源派：OpenAI、Anthropic、Google（Gemini）、百度（ERNIE）、字节跳动（Seed）、月之暗面（Kimi）、腾讯（混元）、xAI

开源和闭源的选择不仅仅是技术决策，它是一场关于"权力"的战争。开源意味着：任何人都可以下载模型、在自己的电脑上运行、修改它、甚至商业化。闭源意味着：厂商控制一切，你只能通过 API 调用，按 token 付费，永远无法知道模型内部如何运作。

DeepSeek 在 2025 年初以开源的 R1 模型震惊世界，证明开源模型在推理能力上可以与 OpenAI 的闭源 o1 系列一较高下。Meta 的 Llama 系列已经成为全球开发者构建应用的事实标准。而 OpenAI 和 Anthropic 则押注闭源路线，用 API 服务构建商业护城河。

easy-learn-ai 用同一个数据结构同时收录开源和闭源模型，不做评判，只呈现事实。这种中立本身就是一种态度：在 AI 的世界里，用户应该有知情权——知道这个模型是开放的还是封闭的，知道它的能力边界在哪里，知道它的"国籍"和"出身"。

七、上下文窗口：AI 的"记忆力"

数据结构中的另一个关键数字：contextWindow（上下文窗口）。

上下文窗口是什么？它是 AI 模型一次能"记住"多少内容的能力。想象一下，你正在读一本长篇小说，上下文窗口就是你一次能回头参考多少页。如果窗口太小，读到后面，模型就忘了前面说了什么。

这个字段的单位是"K"——千个 token（大致可以理解为千个字）。看看各家厂商在这个维度上的军备竞赛：

• Claude Opus 4.8：1000K（100 万字）
• Gemini 2.0 Flash / 3.5 Flash：1000K+（约 100 万字）
• Qwen3.7-Max / 3.6-Plus：1000K（约 100 万字）
• Kimi（月之暗面）：以超长上下文著称

100 万字是什么概念？一本《红楼梦》大约 73 万字。这意味着，这些顶级模型可以一次性"读完"一本《红楼梦》，然后回答你关于任何细节的问题——贾宝玉在第几回说了什么话，林黛玉葬花时旁边有谁，全部记得清清楚楚。

而在另一端，早期的 GPT-4 只有 8K（约 8000 字），相当于一篇中等长度的论文。GPT-4 Turbo 提升到 128K（约 12 万字），已经可以处理一本短篇小说的内容。

上下文窗口的扩展，是 AI 从"聊天工具"进化到"知识助手"的关键一跃。它让 AI 可以处理整本书、整个代码库、整份法律合同、整个病历档案。easy-learn-ai 把这个数字放在每个模型的卡片里，让用户一目了然：这个模型的"记忆力"有多强。

八、技术细节背后的产品哲学

这次重构的代码改动虽然只有几十行（modelApi.ts 从 55 行变到更简洁的实现），但它的影响是深远的。它体现了一个优秀软件产品的核心哲学：

1. 可维护性 > 方便性

把所有东西塞在一个文件里，短期来看是"方便"的——不用想目录结构，不用管文件命名。但长期来看，它是维护的噩梦。拆分需要前期投入，但换来的是可持续的增长。

2. 可扩展性 > 完美性

API 层使用 webpackContext 自动扫描，意味着项目已经为未来的增长预留了空间。新增厂商？加一个文件就行。不需要改代码，不需要发版，不需要担心破坏现有功能。这种"面向未来"的设计，是区分业余项目和专业项目的关键。

3. 数据即产品

easy-learn-ai 的核心价值不是前端 UI 有多华丽，而是它的数据有多全面、多准确、多及时。这次重构让数据的维护和更新变得更容易，直接提升了产品的核心竞争力。

九、结语：一次小小的重构，一个大大的世界

easy-learn-ai 的这次"分家"，表面上只是把一个 JSON 文件拆成了 19 个。但如果我们拉远镜头看，它实际上是在做一件更重要的事：建立一个结构化、可持续、可扩展的 AI 知识基础设施。

在这个基础设施里：

• 每个 AI 模型都有自己的"身份证"（统一的数据结构）
• 每家厂商都有自己的"档案柜"（独立的文件）
• 整个系统可以自动"发现"新成员（webpackContext 扫描）
• 用户可以清晰地看到模型之间的关系（parent 字段）
• 开源与闭源、中国与美国、文本与图像，所有维度的信息都被平等地呈现

这不仅仅是一个前端项目的代码重构。它是一个关于"如何组织和呈现知识"的范例。

在 AI 技术以月为单位迭代的世界里，信息和知识的组织方式，往往比信息本身更重要。因为再快的新闻也会过时，但一个良好的知识结构可以持续生长、演化、容纳新的内容。

easy-learn-ai 的这次进化，就像从一本 handwritten 的笔记本，升级成了一座有索引系统的图书馆。而这座图书馆的门，向所有好奇的人敞开。

---

*Commit: e6c189a | easy-learn-ai 项目 | 2026年7月12日*

#easy-learn-ai #每日更新 #AI #开源 #记忆 #小凯