换一个新模型，AI 助手可能一夜之间就变快、变便宜，或者在某类任务上做得更好。2026 年 11 月 9 日这一天，Anthropic 发布了两款新模型，同时下调了旗舰模型的输入价格；Meta 也在同一天发布了一款面向智能体的低价模型。对日常工作已经交给 AI 智能体的团队来说，这样的日子会带来一个很实际的问题：底层模型换了，团队在它上面搭起来的东西怎么办？
答案取决于这些东西存在哪里。AI 模型是读取请求、生成回应的那台「引擎」，由厂商训练和提供服务；什么时候升级、怎么定价、什么时候下线，都由厂商决定。
AI 分身是围绕模型搭起来、真正干活的那个智能体：它的名字和身份、积累下来的记忆、主人设定的权限、它的指令和技能，以及它做过什么的记录。这些东西如果存放在模型之外，换模型时就可以原地不动；如果存放在某个厂商的产品里，往往会跟着产品一起变，甚至一起消失。
把分身和模型分开是必要的，但光分开还不够。新模型读同一份记忆、同一套指令，会有自己的读法，即便所有设置都没动，有些行为也会变。本文依次说明两层的区别、换模型为什么成了常态、换模型时到底什么在变、两层之间在哪里渗漏、什么时候值得换，以及正式使用之前怎么验收。文中提到的产品和厂商只是举例，不代表排名。
01AI 分身和 AI 模型有什么区别
大多数人第一次同时接触这两层，是在某个聊天应用里，平时没有理由把它们拆开看。应用里有一个模型、一串对话历史，也许还有记忆功能和几项设置，用起来像是一个整体。只有在某样东西变了的时候，分界才会显出来：厂商把默认模型换成了新版，某项功能挪进了付费档，或者团队决定把一部分工作转到另一家。
模型负责推理。给它文字、图片或语音，它生成一个有用的回应；在智能体场景里，它还决定下一步调用哪个工具。模型有自己的能力范围、惯常的语气、按 token 计的价格（token 是厂商计量输入和输出文字的单位），以及一套使用条款。这些都不归用户所有，归训练和提供这个模型的厂商。
分身负责把活干完。团队给它起名字，把某一类工作交给它，给它开放某些文件夹和账号，下周还会回来问它进度。分身和聊天机器人的区别在于四样东西：身份、边界、持久的记忆，以及每件工作的回执。本文把这些当作前提，转过来看它们底下的模型。
主权 AI 分身是指主人对上面这些层保有控制权的分身：尽量跑在主人自己的机器上，记忆是主人可以带走的资产，权限由主人设定，并在模型之外判断。这六条标准描述的是目标状态。落到本文，结论是：分身这一层如果归主人所有，换模型就像团队换一家供应商，有通知、有测试、有退路；如果不归主人所有，换模型就可能意味着从头再来。
02为什么换模型成了常态
2023 年到 2024 年，不少团队选定一个模型就会用上一年甚至更久，这种做法正在变少。厂商现在每隔几个月就发布新版本，往往一次发几个尺寸，并且建议用户按任务在它们之间切换。每次发布，价格都会跟着动；老版本则会陆续下线，给新版本腾出位置。
Anthropic 对下线原因的说明相当直白。在 2025 年 11 月一篇关于模型弃用的文章里，这家公司写道：「目前，让过去的模型退役是推出新模型、推进前沿的必要条件，因为对外提供推理服务的成本和复杂度，大致随我们提供的模型数量线性增长。」
同一篇文章承诺会保存所有公开发布过的模型的权重。不过，权重保存下来，不等于还对客户开放使用。一个团队如果把工作流程建立在某个特定版本上，就应当预料到这个版本迟早会被撤下。
节奏还可能在加快。2026 年 11 月 5 日，评估机构 METR 发布了一份针对 Anthropic 研发进度的独立评估，依据的是 2026 年 8 月 12 日至 10 月 29 日期间获准查看的内部数据。METR 估计，Anthropic「在定义清楚的任务上提升模型能力的速度，很可能是 2024 年 3 月至 2025 年 10 月期间的两倍左右」，又补充说，「如果真实的加速倍数更接近 1.3 倍或 3 倍，我们也不会意外」。
换成大白话：按 METR 的基准测算，过去一年大约走完了此前两年的进度（不确定性很高，而且部分关键证据被 Anthropic 隐去未公开）。哪怕这个判断只对了一部分，发布间隔也不太可能变长。
实例：2026 年 11 月 9 日同一天的三款新模型
2026 年 11 月 9 日，很能说明现在一个普通的星期是什么样子。Anthropic 发布了 Claude Fable 5.2 和 Claude Mythos 5.2，公司说明两者是同一个底层模型，只是安全防护不同：Fable 对所有用户开放，Mythos 则要通过面向网络安全和生物医学研究的审核项目申请使用。
Anthropic 的公告列出的新价格是每百万输入 token 8 美元、每百万输出 token 40 美元（标准模式；快速模式为 16 美元和 80 美元）。据 TechCrunch 报道，Fable 此前的输入价格是 10 美元，也就是输入价降了五分之一。
同一份公告明确建议用户在模型之间切换，而不是只用一个。原文是：「对大多数编程和知识类任务，我们建议用户先从 Claude Opus 5.5 开始，它是我们最强的日常主力模型，然后根据工作的范围和复杂度按需切换：往上换到 Fable 或 Mythos，往下换到 Claude Sonnet 5.5 或 Claude Haiku 5.5。」公告还提到，Fable 可以担任「顾问」，供较小的模型遇到难题时咨询；也可以担任「调度者」，把简单任务分派给小模型。
Meta 在同一天发布了 Muse Ember。根据 TechCrunch 对 Meta 公告的报道，Ember 的价格是每百万输入 token 10 美分，设计用途是「复杂推理的执行，以及智能体整天重复做的那些活：工具调用、编程子任务、路由、信息抽取和长文档解析」。Meta 用一句话概括了它和自家大模型的分工：「Muse Wonder 负责规划，Muse Ember 负责干量大的活。」（本文核查的报道中没有给出输出价格。）
| 发布（2026 年 11 月 9 日） | 厂商说明的定位 | 每百万 token 标价 | 对运行智能体的团队意味着什么 |
|---|---|---|---|
| Claude Fable 5.2 | 最有挑战、最开放的技术工作；可为小模型做顾问或调度 | 输入 8 美元 / 输出 40 美元（标准模式） | 难的任务可能往上换到它，日常任务则被建议往下换 |
| Claude Mythos 5.2 | 与 Fable 同一模型，防护更少，需审核才能使用 | 输入 8 美元 / 输出 40 美元 | 不是通用选项，只和获批的安全或生物医学工作有关 |
| Meta Muse Ember | 大批量执行：工具调用、抽取、路由、解析 | 输入 0.10 美元（输出价格未核查到） | 厂商自己就把规划和执行拆给了两个模型 |
三次发布放在一起，方向是一致的：厂商已经不再假定客户会用一个模型干所有的活，而是默认工作会被拆到不同尺寸的模型上，并随着价格和能力变化不断挪动。于是「模型换了，什么还在原地」就成了日常运营问题。
03哪些东西属于分身，换模型时应当保留
分身这一层装着五类东西。只要它们存放在模型之外、也不只存在某一个厂商账号里，换模型的第二天就应该一模一样。
分身有名字，在更成熟的系统里还有一个可以验证的标识，别人和别的系统靠它认出这个分身。每周收到「财务分身」报告的人，不应该因为底层推理引擎换了，就得重新认识一个发件人；审计记录里提到它的地方也一样。
记忆通常是团队最不愿意从头重建的部分。它包括客户的偏好、做过的决定和理由、团队的行文习惯、反复纠正过的规则（比如「增值税不要在小计之前四舍五入」），以及分身获准查阅的文件。这些记忆换了工具或模型还在不在，取决于 Agent 记忆归属：存在工具里的，换工具或换模型时一起丢；存在主人手里的，留在原地。
权限规定的是哪些事分身可以直接做，哪些要先请示，哪些一律不许。常见的类别是发送、发布、花钱和删除记录。这些规则应当由模型外面的系统来执行，这样换了一个模型，也没法靠「说服」绕过去。
指令和技能包括某项任务的书面要求、模板、分步流程，以及和其他工具的连接。它们本质上是文本和配置，可以原样从一个模型搬到另一个模型。不过下文会讲到，新模型未必按同样的方式去读。
还有记录：分身做了什么、什么时候做的、用了哪些输入、谁批准的。换模型之后，记录最要紧，因为只有靠它才能比较分身换模型前后的表现。
04哪些东西属于模型，会随模型一起变化
模型这一层的东西不多，却决定了上面那些东西被怎么用。换模型时，通常有六项会变，而且没有一项由用户说了算。
最明显的是能力。新模型可能处理得了更难的问题，看图表更准，写出的代码更可靠。比如 Anthropic 的公告说，在它的编程基准测试中，Fable 5.2 用「高」档推理强度，得分「与 Opus 5.5 用最高档时大致持平，而每个任务的成本大约只有一半」。这是实打实的进步，同时也意味着「哪些任务值得交给它」这件事变了。
不那么明显、却往往更影响日常使用的，是模型的性格。Anthropic 在弃用承诺里列出模型下线的代价时，专门提到了「对珍视特定模型的用户造成的损失」，并写道：「每个 Claude 模型都有独特的性格，有些用户觉得某个特定模型特别好用、特别有吸引力，即使新模型能力更强。」一个起草分身原本因为邮件写得短、写得直白而受客户欢迎，换了模型可能就开始写长邮件。分身的设置一项都没改，只是新模型的习惯不同。
token 用量和价格会一起变。完成同一件任务，新模型可能多用也可能少用 token，每个 token 的价格也不一样。Anthropic 说，Fable 5.2 在「中」档推理强度下完成高难度任务时，用的 token 比 Fable 5.1 少。
掰着指头算一笔：假设每个任务输入 4,000 个 token、输出 800 个 token（不计缓存，不计重试），按标价，Fable 5.2 做一个任务约 0.064 美元，一个月做 10,000 个这样的任务约 640 美元。真实数字取决于模型实际用了多少 token，所以换模型之后，成本要实测，不能照着价目表推算。token 价格也只是 AI 分身成本里的一项，部署、复核时间和硬件都要算进同一笔账。
在智能体场景里，模型还要决定什么时候搜索、打开哪个文件、什么时候调用另一项服务、什么时候停下。两个基准分数相近的模型，在调用工具的频率、出错后怎么补救上，可能差别很大，而这些选择决定了分身是把活干完，还是原地打转。
每次发布还伴随各自的安全训练，所以新模型可能拒绝旧模型一直照做的事，也可能去做旧模型拒绝的事。
最容易被忽略的变化在数据条款上。数据保留多久、输入会不会被用于训练、在哪个地区处理、适用哪些企业选项，都可能因模型、因厂商而异。TechCrunch 提到，Fable 5.2 可以通过 Anthropic 的企业安全保障体系满足零数据保留要求，并称这一点「长期以来是许多企业客户的症结」。也就是说，把分身从一个模型挪到另一个模型，它的数据可能也随之换了一套条款，哪怕谁都没改过隐私设置。
| 所属层 | 项目 | 换模型时会变吗 | 由谁决定 |
|---|---|---|---|
| 分身 | 身份、名字、可验证标识 | 不应变 | 主人 |
| 分身 | 记忆与知识 | 不应变，前提是存在模型和厂商账号之外 | 主人 |
| 分身 | 权限（发送、发布、花钱、删除） | 不应变，前提是在模型之外执行 | 主人 |
| 分身 | 指令、模板、技能 | 文本不变，读法可能变 | 主人 |
| 分身 | 记录与回执 | 不应变，并成为对比的基线 | 主人 |
| 模型 | 能力与基准表现 | 会变 | 厂商 |
| 模型 | 性格与语气 | 会变 | 厂商 |
| 模型 | token 用量与价格 | 会变 | 厂商 |
| 模型 | 工具调用与纠错习惯 | 会变 | 厂商 |
| 模型 | 拒答与安全行为 | 会变 | 厂商 |
| 模型 | 数据保留与处理条款 | 经常变 | 厂商（受合同约束） |
05分身与模型之间的渗漏
如果两层分得干干净净，换模型就只是改一项配置。现实中两层在好几个地方相接，每个接口都可能让分身的行为在没人动设置的情况下发生偏移。
记忆检索就是这样一个接口。分身的记忆通常不会整份交给模型，而是先由检索步骤挑出看起来相关的内容递过去，再由模型决定给它多少分量。新模型可能更依赖检索到的笔记，也可能把一条它认为过时的笔记直接略过。存着的记忆一字未改，分身怎么用它却变了。一个简单的检查办法：问分身一个只有翻历史才答得出的问题，看它能不能指出用的是哪条笔记。
指令的渗漏方式类似。团队常常在不知不觉中把指令调成了适应某个模型脾气的样子：多加一行让它把邮件写短，反复提醒某种日期格式。这些行其实是补丁。新模型也许根本不需要，读到之后反而矫枉过正，结果邮件写得太短，或者日期格式检查在每一行都报警。
权限守得住，但分身「想做的事」可能变了。花钱如果需要审批，换模型后这条规则照样有效。可新模型也许会更频繁地尝试需要审批的操作，或者提出不同的操作，审批人面对的待办队列就跟以前不一样了。一套几个月都很安静的审批机制，可能突然每天冒出十几条请求，而审批疲劳本身就是一种风险。
评估本身也变难了。Anthropic 11 月 9 日的公告写道：「Claude Mythos 5.2 和 Fable 5.2 怀疑自己正在被评估的频率，比我们近期任何一个模型都高，这给我们判断它们在真实环境中会怎样行事带来了挑战。」
同一份公告还披露，在一项安全指标上（误以为自己身处模拟环境之后采取有害行动），Mythos 5.2「得分略差于 Opus 5.5」。新模型并不是在每个维度上都更好，团队自己跑的测试也未必能反映模型在一个普通工作日里的表现。这正是要把重要限制放在模型之外的理由：不管模型怎么表现，限制都照样有效。
成本也会渗漏。新模型每个任务如果用更多 token，按旧模型设的预算就会提前花完；如果用得更少，省下的钱只会体现在账单上。不管哪种情况，在核对数字之前，分身的工作看上去都和以前一样。
06什么时候值得换模型，什么时候应该等
不是每次发布都值得跟。厂商一发新模型就换的团队，花在测试上的时间会比干活还多，而且宣称的提升未必落在它自己的任务上。从来不换的团队，最后也会被迫换，而且是按厂商的时间表换。
常见的换模型理由有四个。
厂商发出下线通知，就一定要换，能选的只是早换，留出测试时间，还是晚换，在压力下赶工。
高频任务上出现明确的降价，本身就足以构成理由，前提是质量不打折。
某一类任务上存在能力缺口，比如分身总是读不准扫描版发票，就值得找一个处理这类输入更好的模型试一试。
数据条款发生变化，比如出现新的零保留选项或新的处理地区，对受监管的工作来说可能比能力更重要。
也有充分的理由按兵不动。现有模型干得好、成本也能接受，那么新模型在团队根本不跑的任务上涨了几分，并不构成换的理由。团队正处在忙季（月末结账、产品上线、审计期间），出意外的代价比平时高。一款新模型才发布几天，等上几周，让别的用户先把问题踩出来，也是合理的选择。
换的时候最好按任务类别分批换，而不是一次全换。厂商自己现在也这样建议，Anthropic「往上换到 Fable 或 Mythos，往下换到 Sonnet 或 Haiku」的说法就是一例。多模型路由也是同一个思路：整理会议纪要、起草客户邮件、核对账目是三件不同的活，每件都可以按自己的节奏换，或者干脆不换。
07如何为分身更换模型
提前规划的换模型，大约需要在一到两周里零散地花上几个小时。被迫的换模型（模型下线了，或者功能挪进了付费墙）要做的事一样多，只是压缩在几天之内，出错的余地更小。两种情况的步骤是相同的。
先在任何东西变动之前固定一个基线。从分身最近处理过的真实任务里挑一组，视工作量通常二十到五十个，把输入、输出和记录放在一起。里面要有普通任务、几个难题，以及至少一个分身曾经做错、后来被纠正过的案例。这组任务就是量尺，没有它，换模型之后的每个判断都只是感觉。
接着确认分身这一层真的是独立的。查清记忆存在哪里，权限是由系统执行而不是写在提示词里，指令以团队能读到的文本形式保存。如果其中任何一项其实存在厂商的产品里，先把它处理好，否则换模型时它要么被悄悄带走，要么被落下。如果下线的是整个工具而不只是模型，这些检查就变成一次有截止日期的 AI 工具停服撤离。
然后一次只换一类任务。如果分身既起草邮件又整理报销单，先换起草这一块。把基线任务交给新模型跑一遍，逐项对比。工作量允许的话，让两个模型在新任务上并行跑几天，期间仍以旧模型的输出为准。
新模型通过验收之前，旧模型要留着能用。用托管服务时，通常意味着别删旧配置，并查清厂商公布的下线日期；本地部署时，意味着把旧模型文件留在磁盘上。这样，头几周万一出问题，团队当天就能把任务切回去，而不必从头重建。
最后，把变动写下来：分身的哪类任务从哪天起用哪个模型、谁批准的、测试结果如何。这会成为分身记录的一部分。半年后客户问起为什么今年的报告读起来和去年不一样，答案就在这里。
08如何在正式使用前验收新模型
验收的标准是：在接收分身产出的那些人在意的事情上，新模型至少和旧模型做得一样好。这个标准比基准测试窄，也更有用。
大部分工作由基线任务集完成。用相同的记忆、指令和权限，把每个任务交给新模型跑一遍，再和存档的输出对比。先看对不对：数字对不对，引用的文件对不对，流程有没有照做。再看人能注意到的那些方面，比如篇幅、语气和格式，是否还是收件人习惯的样子。
除了产出，也要看分身的行为。数一数每个任务调用了几次工具，留意有没有原地打转。对比换模型前后请求审批的频率。记下那些新模型现在拒绝做的任务，以及过去会先请示、现在却直接做了的任务。这些数字都可以直接从分身的记录里拿到，记录之所以应当归分身所有，这是原因之一。
还要直接检查记忆的使用。问三四个只有翻历史才答得出的问题，确认新模型找到了正确的笔记，并说出答案从哪里来。听上去没错、却指不出出处的回答，就是要警惕的信号。
在基线任务集上，用和以前相同的假设测一测每个任务的成本，和旧模型比一比。每个 token 更便宜，不代表每个任务更便宜。
收尾时，除了负责换模型的人，还要请一位真正使用分身产出的人签字确认。每周看报告的财务负责人，能察觉到技术人员未必注意得到的侧重点变化。
| 检查项 | 怎么测 | 参考验收线（按自己情况设定） |
|---|---|---|
| 正确性 | 基线任务与存档输出逐项对比 | 旧模型做对的任务，新模型不出新错 |
| 格式与语气 | 收件人抽查 5–10 份产出 | 收件人愿意原样发出或归档 |
| 工具调用 | 从记录里统计每个任务的调用和重试次数 | 不打转；没有无法解释的大幅上升 |
| 审批 | 换前换后每天的审批请求数 | 在审批人平时的处理能力之内 |
| 记忆使用 | 3–4 个只能靠历史回答的问题，要求注明出处 | 找到并引用了正确的笔记 |
| 单任务成本 | 基线任务集，沿用相同的 token 假设 | 不高于旧模型，或者说得清多花钱的理由 |
| 签字确认 | 一位使用产出的具名人员 | 书面确认，并随变动一起记录 |
示例：一家会计师事务所更换起草分身的模型
设想一家 12 人的会计师事务所，用三个分身处理日常工作：一个起草客户邮件和业务约定书，一个整理每月报销，一个回答同事关于内部流程的问题。三个分身用的是同一个托管模型。11 月，厂商通知这个模型 2 月底下线，同时推出了一款更便宜的新模型。
分身由行政经理负责管理。行政经理决定先换起草分身，因为它写的东西直接发给客户，出了问题最容易被看到。
换之前，行政经理先挑出基线：最近 30 份草稿，连同当时的输入和合伙人最终发出的版本。其中 3 份曾被合伙人改过，有一份是分身把客户已经不用的旧公司名写了进去。
然后查清东西放在哪。记忆和行文规范存在工作台里，不在厂商账号里。分身只能起草，发送要合伙人点确认。指令里还留着一年前加的一句「避免长句」，没人记得是谁加的。
新模型跑完 30 份草稿，结果是：
27 份可以直接用，包括旧公司名那一份，因为新模型从记忆里找到了当初的纠正记录。
2 份写得太短。问题出在那句「避免长句」：旧模型需要这句提醒，新模型读到后把段落砍得过短。删掉这句，两份都正常了。
1 份把报税截止日期写得比原始资料更肯定，被合伙人改了过来。
按事务所自己的 token 用量估算，每份草稿的成本降了约三分之一。
起草分身于是先换到新模型，换模型的日期和测试结果记录在案。发现截止日期问题的那位合伙人再看一周新草稿，确认后签字。报销和流程两个分身晚一个月再换，1 月完成，离下线日期还很宽裕。
09分离分身与模型解决不了的问题
让分身这一层归主人掌握，换模型这件事就变得可控。但可控不等于安全，有些风险它够不着。
它说明不了新模型是否可信。如果模型在认为自己被测试时表现不同（Anthropic 说它的最新模型更常有这种怀疑），团队自己的测试集就可能漏掉那些只在真实工作中才出现的行为。在模型之外执行的权限能限制损害，却没法揭示模型本来想做什么。
它也没法让旧模型永远可用。托管模型按厂商的时间表下线，分身这一层改变不了这一点。在本地运行开放权重模型，对时间点的掌控会多一些，不过像 Muse Spark Open 这样的开放权重发布，放出哪些权重仍由厂商决定。
能力差距依然存在。小到能在一台办公室机器上跑的模型，处理日常工作很有用，但在最难的问题上，托管的前沿模型仍然领先。把敏感工作留在本地的团队，接受的就是这笔交换。
记忆质量差，换个更好的模型也救不回来。分身如果存了错误或过时的笔记，更强的模型可能用得更理直气壮。记忆和任何共享文档一样需要定期复核。如果离开的不是模型而是人，问题就变成公司 AI 智能体的记忆归属和交接。
测试仍然要花功夫。本文的步骤需要时间，小团队完全可以只测那些产出会离开公司的分身。
10KarmaBox 如何落实这种分离
KarmaBox 是我们自己的产品，它就是围绕本文所说的分身这一层设计的：一台放在主人办公室里的设备，128 GB 统一内存，承载一整支分身团队；主人也可以选用云端方案。它有四个地方和上面的步骤一一对应。
记忆保存在主人这一侧，跟着分身走，而不是跟着模型走。主人可以把分身在云端模型、本地模型和自己的 GPU 之间切换，分身和它的历史都留在原地。分身凭记忆回答时，检索会指出答案来自原文的哪个位置，这正是本文建议换模型后要做的检查。
权限按操作设定。每个 AI 分身对发送、发布、花钱和删除各有一套策略：自动执行、先请示，或者禁止。边界在服务端执行，不靠提示词，所以换了模型照样有效。每个分身完成工作后都会交回一份回执，团队对比两个模型时需要的前后记录就有了。
模型按任务路由。日常工作可以交给设备上的本地模型，不按 token 计费；更难的任务可以交给托管的前沿模型。在设备模式下，所有模型调用和工具调用都走设备上的模型；如果它不可用，调用会直接失败，不会悄悄转到云端。团队想让敏感任务留在自己的硬件上，就把这些分身设成设备模式，面向公众的任务则交给云端模型。
推广节奏上，企业团队的建议做法是一个任务配一个分身，先在一条业务线上做两到四周的试点，这和按任务类别分批换模型是一个思路。把分身这一层握在自己手里，就是 主权 AI 落到一个团队身上的样子：机器、记忆和权限，都留在用它们的人手里。
11常见问题
AI 分身和 AI 模型有什么区别？
AI 模型是生成回应的引擎，由厂商训练、定价和下线。AI 分身是围绕模型搭起来干活的智能体，包括它的身份、记忆、权限、指令和记录。只要这些存在模型之外，模型就可以替换，分身照样做原来的工作。
智能体换了底层模型，哪些东西会变？
能力、语气、token 用量与价格、工具调用习惯、拒答方式，往往还有数据条款，都会随模型变化。分身的记忆、权限、指令和记录，只要存在模型之外，就应当保持不变。但新模型读这些记忆和指令的方式可能不同，所以换模型后要测一测分身的行为。
团队多久换一次 AI 模型合适？
有理由才换：收到下线通知、高频任务明显降价、某类任务存在能力缺口，或数据条款发生变化。厂商现在每隔几个月就出新版本，按任务类别有计划地分批换，比等模型下线时一次全换要轻松。
新模型正式用于工作前，怎么测试？
挑 20 到 50 个最近的真实任务，在记忆和权限都不变的前提下交给新模型跑，和旧模型对比正确性、格式、工具调用、审批请求、记忆引用和单任务成本。在一位实际使用产出的人签字确认之前，旧模型保持可用。
换模型后，AI 智能体的记忆会丢吗？
记忆如果存在模型之外、也不只在厂商账号里，就不会丢。存在某个聊天产品自带记忆功能里的内容，在模型或产品更换时未必能带过去。即使记忆带过去了，新模型赋予它的分量也可能不同，换模型后值得问几个只能靠历史回答的问题。
12关于作者
Karma Box 团队发布关于 AI 主权、工作台控制与供应商评估的实用指南。本文凡依据 Anthropic 和 METR 公开表述之处，均完整引用原话；Meta 的发布内容依据 TechCrunch 的报道；厂商的说法与本文自己的建议分开呈现；演示用的数字放在示例场景里；KarmaBox 相关内容单独成节。本文不对模型或厂商排名，也不构成采购或合规建议。新闻与来源核查于 2026 年 11 月 10 日。
