昨天搞懂了「是什麼」，今天要決定「用哪個」

Day 2 釐清了 AI、Generative AI、LLM 的層級關係，知道專題的核心功能幾乎都建立在 LLM 之上。但 LLM 不是只有一種，市面上主流的三大家分別是 OpenAI 的 GPT、Google 的 Gemini，以及 Anthropic 的 Claude。

Day 3 的目標，不是要選出「絕對最強」的那一個——這三家幾乎每隔幾個月就會互相超車一次，榜單參考價值有限。真正該問的問題是：以「情境生成 → 角色扮演 → 即時修正 → 學習報告」這個流程來說，我該優先用哪一個來開發？

三個平台的基本使用方式

先從最基本的「怎麼用」開始比較：

GPT（ChatGPT / OpenAI API）

• 介面：ChatGPT 網頁版、App，以及開發者常用的 OpenAI API
• 特色：生態系最完整，有 Custom GPTs、外掛與各種第三方整合，適合快速做出可互動的原型
• 對本專題的意義：如果之後想接語音輸入、或做更多模態（例如圖片情境），生態系資源相對豐富

Gemini（Google AI）

• 介面：Gemini App、Google AI Studio（開發者測試用介面），以及深度整合進 Google Workspace、Android、搜尋
• 特色：多模態能力強（文字、圖片、語音一起處理），且與 Google 生態系（如 Docs、Sheets）整合度高
• 對本專題的意義：如果之後想讓系統理解使用者上傳的圖片情境（例如菜單照片），或用 Google 相關服務，會比較順手

Claude（Anthropic）

• 介面：Claude.ai 網頁版/App、Claude 開發者 API，以及 Claude Code 等程式開發工具
• 特色：在長文寫作、複雜推理與程式開發相關任務上評價較高，也支援長上下文（可以一次讀進很長的對話或文件）
• 對本專題的意義：像「即時英文修正」與「產生結構化學習報告」這類需要仔細分析語意、輸出格式要求較嚴謹的任務，很適合拿來測試

補充一點：三個平台的實際版本與效能排名變動很快，光是 2026 年內就更新了好幾輪，任何比較文章（包含這篇）的具體排名都只能參考當下時間點。實際開發時，建議直接去各家的官方文件確認目前的模型版本與定價，而不是完全依賴網路上的比較表。

用專題的三個關鍵任務，實際測試看看

與其空談優劣，Day 3 更務實的做法，是直接拿專題會用到的三種任務，分別丟給三個平台的免費版試用，觀察差異：

任務一：情境生成

Prompt 範例：

請根據「在美國咖啡廳點餐」這個情境，生成：情境背景、AI 要扮演的角色、使用者角色、對話目的，以及建議使用的英文表達方式。

觀察重點：生成的情境夠不夠具體？角色設定是否合理？有沒有主動給出實用的表達建議？

任務二：英文角色扮演

Prompt 範例：

你現在扮演美國咖啡廳的店員，我是顧客，情境是我要點一杯咖啡。請用店員的身份開始跟我對話，我回覆之後請自然地繼續互動，不要用固定劇本。

觀察重點：AI 是不是真的「順著對話走」，還是每次都用類似的罐頭回覆？角色是否有一致性？

任務三：英文修正與自然表達

Prompt 範例：

我說了這句英文：「I want a coffee with not too much sweet.」請告訴我：(1) 文法修正後的句子 (2) 更自然、母語者常用的說法 (3) 簡單說明為什麼這樣說更自然。

觀察重點：修正是否準確？「更自然的說法」是不是真的道地，還是只是換句話說？有沒有清楚的教學說明？

同一組 Prompt，分別在三個平台跑一次，把結果並排比較，會比看任何排行榜都更有參考價值——因為這就是專題實際會用到的場景，不是通用的跑分測試。

開發階段的實務考量

除了生成品質，選擇時還要考慮幾個開發面的現實問題：

1. API 是否好串接：三家都提供標準的 REST API，之後要接 FastAPI 或 Dify，串接方式大同小異，但文件完整度與 SDK 成熟度會影響開發速度
2. 費用與額度：開發初期用量小，三家的免費或低成本方案都夠用，但要留意輸出長度較長的「學習報告」功能，長輸出可能較快消耗額度
3. 與 Dify 的相容性：專題規劃第一階段就要用 Dify 建立 AI Workflow，需要先確認 Dify 平台目前支援串接哪些 LLM 供應商的 API
4. 語言與教學語氣的穩定度：多次測試同一類 Prompt，看輸出的教學語氣是否穩定一致，這對「英文口語教練」這種需要持續互動的產品尤其重要

今天的結論：不急著只選一個

以目前規劃的功能來看，比較務實的作法是：

• 開發初期（Day 4-14）：先選一個主力模型（通常會挑生態系或文件最熟悉、串接 Dify 最順的那一個）快速做出 MVP，不用一開始就追求「最強」
• 中後期（Day 15 以後）：如果發現某個任務（例如「英文修正」）在別家模型上明顯表現更好，再考慮針對不同功能混用不同模型——這在 2026 年已經是滿常見的開發策略，不同任務交給擅長的模型處理

重點是：先讓系統動起來，比一開始就選對「完美模型」更重要。 Prompt 設計（Day 4、Day 5 要做的事）對輸出品質的影響，往往比選哪一家模型還大。

小結

Day 3 從「怎麼用」出發，實際比較了 GPT、Gemini、Claude 在情境生成、角色扮演、英文修正這三項專題核心任務上的使用方式與初步表現差異，也確認了選型不需要追求絕對最強，而是要符合開發階段的實際需求（好串接、生態系熟悉、後續能接 Dify）。

明天（Day 4）要進入更關鍵的一步：學習 Prompt Engineering 的基礎概念與設計方法——因為不管最後選哪個模型，能不能問對問題，才是決定 AI 輸出品質的關鍵。

本文為「30 天 AI 情境英文口語教練」自主學習專題系列文章 — Day 3