模糊交付的风险

2026年4月24日

现在的AI交付不是‘给现成的便当’，而是在给‘模糊的食谱’。这份食谱能不能变出好菜，得看厨师（大模型）的心情、厨房（环境）的配备，甚至随时可能断水断电，所以我们得学会写得更细、练好备选方案，并且给自己留点弹性时间，别把话说太死。

交付的三种状态

1. 机器码，预编译好的二进制包，可以直接执行，每次执行都是一样的结果。
2. 脚本，不能直接执行，需要解释器，不需要编译写起来很便捷。
3. 技能skill，本质上是一个纯文本，由大模型读入后自行编排（解释）成执行脚本来调用系列工具。

前两者都是稳定的交付，哪怕脚本解释器也是非常稳定的不变体，skill的执行受影响因素太多。

模糊交付

同一段自然语言，不同能力、特点的大模型，在不同的上下文环境中，解释出来就有可能不一样。

这种模糊交付的模糊来自于：

1. 不同的模型，不同的模型版本。sonnet,haiku-4.5,haiku-4.5-2025-11，都不一样。
2. 不同的harness，比如claude code,codex,opencode。
3. 不同的上下文，比如引用了不同的skill,plugin，给的提示词不一样。
4. 大模型服务端的配置参数，还有其本身就有一定的随机性。

其中，模型的供给，风险最大。微软、A社都已经开始在低价套餐中断供高端模型或高端功能。

对于中国用户而言，本来就在封锁之中，一夜之间全都不能用也在预期中。

国内的模型，coding plan已经大规模断供，缩水，阿里甚至强行禁止续费，完全不符合其一贯风格。

国产几小虎，经常卡死，不能稳定供应，着急干活的时候毫无办法。

如果停电，电饭煲就不能工作；如果模型不能供给或能力不足，skill就不能正常工作。

非编码工作的解决方案

1. 把skill写的完善、详细，减少模糊地带，让低水平的模型也能看明白。
2. 再次梳理自己的需求，把skill写成脚本或程序，哪怕是作为备用的。
3. 留一些不插电的后手，哪怕是拖延时间的后手，比如平时交付不要太快，隔日交，避免停电就停工的尴尬。

展望

大模型厂商都希望Token像电一样销售，但什么时候能达到电力供应这种稳定程度呢？