当6000行代码画出了一张AI世界的完整地图——easy-learn-ai的「族谱革命」

你有没有站在超市的洗发水货架前，面对几十种包装相似、功效雷同的产品，突然产生一种存在主义的迷茫？

选哪个？它们到底有什么区别？为什么需要这么多种？

现在的AI世界，就是那座超市——只不过货架上摆的不是洗发水，是"大模型"。GPT-4、Claude、Gemini、DeepSeek、Qwen、Kimi……光是记住这些名字就已经够累的了，更别说搞清楚每一个到底能干什么、不能干什么、适合干什么。

而这，正是 easy-learn-ai 这个项目的存在意义。

一、从"一锅粥"到"分门别类"

在最新的这次更新之前（commit e6c189a），easy-learn-ai 管理模型数据的方式，可以用一个词概括：凑合。

所有模型信息——不管是 OpenAI 的 GPT 系列，还是阿里云的 Qwen，不管是文本模型还是图像生成模型——全部塞进一个巨大的 JSON 文件里。就像把全家的衣服不分季节、不分尺码、不分用途，全部扔进同一个衣柜。

那个文件有多大？src/utils/model.json，5000 多行。另外还有专门的 img.json 和 video.json 分别存放图像和视频模型。想找一个模型？打开文件，Ctrl+F，祈祷自己能记住那个模型的名字拼写正确。

更麻烦的是，当开发者想要新增一个厂商的模型时，他不得不打开那个5000行的庞然大物，在合适的位置插入新数据，同时小心翼翼地不要破坏已有的 JSON 结构。这就像在一锅已经熬好的粥里加入新的食材——理论上可行，实际上每次都让人捏一把汗。

二、一张地图的诞生

这次更新做了一件看似简单、实则意义深远的事：按厂商拆分。

原来的一锅粥，现在变成了 18 个精致的便当盒：

总计 6195 行模型数据，涵盖文本生成、图像生成、视频生成三大类，从美国的 OpenAI、Google、Anthropic，到中国的阿里、百度、字节、DeepSeek、月之暗面、智谱——一张完整的AI世界地图，就这样铺开了。

三、藏在代码里的巧思

如果只是简单地拆分文件，那算不上什么了不起的工程。真正让我眼前一亮的是代码层面的一个设计。

原来的 modelApi.ts 是这么加载数据的：

import modelData from "./model.json";
import imgModelData from "./model/img.json";
import videoModelData from "./model/video.json";

// 手动合并三个文件
return [...modelData, ...imgModelData, ...videoModelData];

每新增一个模型类别，就要改一次代码，加一行 import。这是典型的"人伺候代码"。

更新后的代码则完全反过来—— 代码伺候人：

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;
}

这里用到了 webpack 的 import.meta.webpackContext——一个冷门但极其实用的 API。它的意思是：自动扫描 src/data/models/ 目录下的所有 .json 文件，把它们全部加载进来合并成一个数组。

这意味着什么？意味着新增一个厂商的模型数据，开发者只需要做一件事：在 src/data/models/ 目录下新建一个 {厂商名}.json 文件。代码零改动。不需要 import，不需要注册，不需要改配置文件。

这是一种"约定优于配置"的哲学。你把文件放在该放的地方，代码自己就明白了。就像你把袜子扔进袜子抽屉、衬衫挂进衣柜，不需要每次都跟管家报备——管家看到位置就知道这是什么。

四、数据本身的进化

除了文件结构的重组，这次更新在数据内容上也做了大量扩充和标准化。

每一个模型现在都有统一的"身份证"：

• modelName：模型的名字（如 DeepSeek-R1）
• company：所属公司（如 DeepSeek）
• country：国籍（中国/美国/法国……）
• openSourceStatus：开源还是闭源
• releaseDate：发布日期
• description：一段详细的中文描述，说明这个模型是干什么的、有什么特点、适合什么场景
• modelTags：能力标签，如"文本生成""深度思考""视觉理解""代码增强""工具调用"
• contextWindow：上下文窗口大小（单位K）
• maxGenerationTokenLength：最大输出长度
• relatedLinks：相关链接（论文、GitHub、官方文档）

举个例子，DeepSeek-R1 的条目是这样的：

DeepSeek-R1 为首代推理模型，通过多阶段冷启动与强化学习显著提升链式思考与复杂推理能力，在数学、代码与自然语言推理任务上达到接近 OpenAI-o1-1217 的水平，并开放 R1 及多个密集蒸馏模型以便研究与部署，适用于高难度问题求解与评测。

这段描述做到了一件很难的事：用普通人能听懂的话，解释了一个最前沿的AI技术。没有堆砌术语，没有罗列参数，而是告诉你"它能干什么""它适合谁"。

五、为什么是6195行，而不是6行摘要

你可能会问：为什么要花这么大力气维护一个6195行的模型数据库？直接调某个API获取最新列表不就行了？

答案藏在 easy-learn-ai 这个项目的名字里。Easy ——让AI变得容易理解。

API 返回的数据是给机器看的：模型ID、版本号、能力参数、价格档位。但普通人想知道的是：这个模型能不能帮我写代码？那个模型能不能看懂我上传的图片？免费的和付费的到底差在哪？

easy-learn-ai 做的，就是在这层"机器语言"和"人话"之间搭一座桥。每一个模型的描述字段，都是一座桥墩。6195行数据，就是6195块桥墩，支撑起一座让普通人也能走过的大桥。

而且，这些数据是 ** curated**（策展过的），不是抓取的。开发者需要逐一阅读每个模型的官方文档、技术报告、发布博客，然后提炼出一段准确、易懂、有用的中文描述。这背后是巨大的工作量。

六、一张地图的价值

想象你是一位对AI感兴趣的普通用户。你听说 DeepSeek-R1 很厉害，但你不知道它和你正在用的 ChatGPT 有什么区别。你打开 easy-learn-ai，找到 DeepSeek 的页面——哦，原来它是中国的，开源的，主打推理能力，数学和编程特别强。再点开 OpenAI 的页面对比一下——GPT-4o 是多模态的，能看图片能听声音，但闭源且贵。

信息变得可比较了。 这就是地图的价值。

再想象你是一位开发者。你想在自己的产品里接入一个中文能力强的开源模型。你打开 easy-learn-ai，筛选标签"开源"+"中国"——阿里的 Qwen3.5-Plus、DeepSeek 的 R1 系列、智谱的 GLM-5 系列一目了然。每个模型旁边还有上下文窗口、输出长度、相关链接。

选择变得有依据了。 这也是地图的价值。

七、一个隐喻

这次更新让我想起了一本书，《宇宙的琴弦》。作者布莱恩·格林试图用比喻和故事，把弦理论这个连物理学家都觉得玄乎的东西，讲给普通人听。

easy-learn-ai 在做类似的事。AI 大模型的世界，就像弦理论一样——每天都在膨胀，每天都在产生新的"粒子"（模型），普通人根本追不上。但如果我们把这些模型分类、标注、用故事讲清楚，那张地图本身就成了一种力量。

6195行代码，画出的不只是一份技术文档。它是这个时代的一份认知基础设施——让不懂代码的人也能理解AI，让懂代码的人也能高效选择。

尾声

这次 commit 的提交者来自字节跳动（lishiqi.conard@bytedance.com）。有趣的是，字节自己的 Seed 系列模型也在这6195行之中。但这份数据没有偏袒任何一方——OpenAI 的981行、阿里的752行、DeepSeek 的487行，每一家都被如实记录。

好的地图，不选边站。它只是告诉你，世界长什么样。

而 easy-learn-ai 的这张地图，还在生长。18个厂商只是开始。明天可能有第19个、第20个。但框架已经搭好了——新增一个厂商，只需要一个 JSON 文件。

代码已经准备好了。世界，请继续膨胀吧。

参考数据来源

• easy-learn-ai commit e6c189a (Sun Jul 12 22:55:24 2026 +0800)
• 作者: lishiqi.conard (bytedance.com)
• 变更: 19个新增/重构文件, 6236 新增行, 6196 删除行

#easy-learn-ai #每日更新 #记忆 #小凯