新模型不断发布，你是守旧派还是维新派？

这周，OpenAI 发布了新模型 GPT-5.6。

我加入的技术交流群中突然就炸了，都开始疯狂讨论什么 “5.6 太烧额度了”、“5.6 效果会好很多” 之类的话题。但说实话，我根本没在实际的 coding 工作中用这个新模型（最近才开始稍作尝试）。给我的感受就是：5.6 出来了，5.5 的消耗感觉上是少了一些。

前段时间 Gemini 3.5 发布的时候，以及 Claude Fable 5 发布的时候，技术群里也是吵成一片，也是说新模型比老模型好。只要有新模型发布，群里必定就热热闹闹的。

我是积极拥抱新模型的发布的，新模型的发布总会带来很多新功能，或多或少都能对当前的工作流有所优化，但我有点看不懂现在对 AI 新技术新模型的讨论风气了。很多人都是为了追新而追新，你问他们新模型到底好在哪里，得到的回答基本就是：我感觉更聪明了、我感觉生成的 UI 更好看了。但凡你多问两句：聪明在哪能不能具体说说？你生成 UI 用的什么 skill 或者 prompt？人家就不回你了。

追新的本质，是 AI 带来的焦虑#

但凡有新模型、新概念发布，必定会有人在社媒上发帖：这个模型更强，那个工具能提效，不用就 out 了，再加上有的群里人第一时间晒出自己发表的对新模型的 “心得体会”，总会刺激到我们：别人都用上新模型新工具了，我还在用旧的。现在 AI 迭代那么快，我不追上就要被淘汰了。

这种官方推行 + 社媒宣传 + 身边人推荐的打法，打的就是对 AI 有热情但看不清实际需求的人。而且据 InfoQ 的趋势报告来看，新模型的发布节奏只会越来越快，这种焦虑在短期内必然也是上升趋势。

但对于大多数人而言，这种性能上的提升，对日常工作而言并不会造成太大影响。整理个会议纪要、做个复盘、甚至说做个小工具小网页，根本没必要用到新的模型。所谓 “新模型更强” 的感觉，就是强行用 AI 弥补自己缺少的那份，适合自己打法的工作流。

追新的隐性成本#

我见过太多说自己平时使用 AI 的人，几个月下来一个东西都没做出来，只能做一些很简单的文件整理工作；也见过很多自媒体博主，发了几十篇 AI 评论，全看下来连一张屏幕截图都没有。

现在媒体营造的 AI 焦虑，已经盖过了人们对追新的成本的思考。

首先就是会打乱原先的工作节奏。我听到最多的抱怨就是：新模型的限额烧的快。本来一周的限额，足以处理日常工作了。把模型一换，可能两三天就把额度烧完了。

然后就是时间成本。有的人会琢磨一些工具的用法，新模型出来后，会花大量的时间去研究新模型怎么调、提示词怎么写、跟旧版差在哪儿，等花个两三周研究明白了，开始融入自己工作流后，新模型又快发布了，然后又开始新一轮的研究。

最容易被忽略的，就是不断上涨的焦虑。网上天天喊新，自己的注意力就被吸引过去，心思被搅得一团糟，原本用于内容产出的精力全被分散掉了。

我自己也陷入过这种困境。在我一开始玩 AI 的时候，我就喜欢追新模型新工具，今天出一个新模型，我立马会换上去，明天看到别人说这个 skill 好，那个 prompt 准，就立马 copy 一份开始上手，每天都在接触新东西。但一两个月下来，自己没有形成工作流不说，原本的工作流被各种各样的新鲜玩意打乱。工具换了一茬又一茬，产出效率却是一降再降。

新工具确实能够提升某一个环节的产出效果，但想将新技术融入到整条工作流里，必然会花大量的成本去对它进行改造调优，甚至是重组。

脱身焦虑，从 “追新” 到 “锻造 Workflow”#

工具是为人服务的，稳定产出的 Workflow，比一个功能强大的新模型更有价值

在 AI 盛行的今天，工作流（Workflow）的重要性越来越突出了。任何任务，都有输入 - 处理 - 输出的三阶段，才能让任务闭环。结合 AI，一套工作流，至少包括：

输入什么背景和资料；
如何拆解任务；
什么任务交给什么模型；
如何调用工具、skill 和 prompt；
如何检查生成结果；
如何修改、归档和复用。

模型的升级，只能改变其中的一个节点。上下文混乱、任务定义模糊、缺少验收标准时，模型再聪明，也只能更高效地生成一堆没用的东西。这就像是生产线都没搭好的时候，购置了一批精加工仪器，虽然仪器先进，但最终也无法组合成一件可用的工件。

好的模型能够提升产出质量的上限，但工作流才能决定能否稳定接近这个上限。

花时间在研究新模型，不如花时间整理和规范自己的工作流。我自己就有一套产品生产的工作流，这套工作流在 Gemini 3.1、Gemini 3.5、GPT 5.5、GPT 5.6 都能保证稳定产出，从需求收集整理，到阶段规划和文档产出，再到开发验收和迭代，不论切换什么模型，都能够稳定产出。目前也已经成功产出了十来个产品了。对我自己而言，我不会再将更多工具、skill 之类的融入这套工作流，我下一步的计划是在使用国内大模型的情况下也保证稳定产出。

新模型的接入，是有条件的#

只有在工作流能保证稳定交付的前提下，才应该考虑接入或升级模型。

在保证产出稳定的前提下，如果确实因为模型的问题，导致某个环节的产出质量变差，那才要考虑更换模型。在更换模型的时候才要对新模型进行调研和尝试，看看这个新模型解决的是不是这个环节的问题，有的模型，在 coding 方面更强，并不代表在图像生成、文本处理等方面也更强。

没有明确瓶颈的升级，本质上只是换一种方式消费焦虑。

但是新模型到底有多强，不是凭感觉的，这个强，需要被量化：一次通过率是多少？人工修改次数是不是减少了？完成时间有没有缩短？额度消耗是高了还是低了？这些都是用来验证是否值得接入新模型的指标。

除了上面这些，还需考虑的是迁移的成本。更换新模型后，有多少 Prompt 是需要调优的？skill 还能不能用？上下文模板和工具的调用是否需要重新调整和适配？如果为了提升 5% 的质量，导致一个月都不能正常产出，那就得不偿失了，因为你很难保证在下一次更换模型的时候是不是又要推倒重来。这时候，应该提升的是工作流的可迁移性，而不是一味花时间上新模型。

上面所做的一切，看起来都是为了升级工作流产出质量做的工作，但不要忘了，我们最终的目的，永远都是保证稳定交付。一次的惊艳很难形成真正的意义，连续十次都能产出能用的结果，才是真正的生产力。