AI 工具一断，我差点废掉

这几天我真的有点崩溃，我昨晚竟然半夜三点起来，鬼使神差地开始调程序。

而白天，系统可用的时间很少，等待的时间很多。

不是“工具效果不理想”的小麻烦，而是坐在电脑前，看着自己的整条生产线轮番断掉：一会儿断网，一会儿断模型服务，一会儿插件卡死，一会儿任务跑到一半返回报错。

更折磨的是，它不是完全不能用。完全不能用，人反而死心。它是偶尔能用一下，于是你不断刷新、重试、换节点、换模型、换入口，心里还抱着一点侥幸：也许下一次就好了。

结果一天过去，真正产出的东西没多少，人的耐心先被磨空了。

于是我昨晚三点醒来的时候，正好试了试系统服务的可用性，就舍不得错过这一刻。

这样的生产系统应该算是不可用状态了。

以前我把很多 AI 工作流搭得很顺：Claude 搭框架，Codex 做深度思考，各种模型联合执行，知识库负责上下文。写文字、做配图、生产视频、改代码、整理资料，很多动作已经串成了一条链。

工具稳定的时候，这条链看起来很美。

但这几天，它开始轮番断。

断网，断模型，断服务，断自动化。

我才意识到，自己不是少了一个工具，而是有一部分工作能力，被挂接在一个非常不确定的地方。

这件事给我的提醒很直接：真正稳定的不是工具，而是自己有没有一套可迁移、可降级、可恢复的工作系统。

这不是偶发故障，而是平台风险

麻烦的是，大模型服务正在进入一个更强的合规限制周期。

OpenAI 官方 API，应用程序接口，支持国家和地区列表里写得很清楚：如果从不支持的国家或地区访问、提供访问服务，账号可能被限制或暂停。中国大陆不在当前公开支持列表里。

Anthropic 的支持国家和地区列表里，也没有中国大陆。Anthropic 也发布过说明，强调会加强对不支持地区的销售限制，其中明确提到来自中国等地区的公司通过海外实体访问服务的风险。

最近围绕 Claude Code、Codex 访问受限的讨论很多，情绪也很重。即使不引用这些社区传闻，只看官方公开的支持地区和限制政策，也足够说明问题。

这些先进 AI 工具，本来就不是一个对中国用户稳定开放、长期可预期、随时可调用的基础设施。

这句话有点残酷，但必须接受。

如果一个人的生产系统高度依赖这些服务，他就不是在搭系统，而是在把自己的核心工作能力放在别人随时可能调整的门口。

所以这篇文章不想讨论怎么绕过去。

我真正想讨论的是，当 AI 工具开始成为工作基础设施以后，一个人、一个团队，怎么设计自己的抗风险能力。

第一个策略：常用资料必须回到自己的知识库

工具会断，资料不能断。

这几天最让我崩溃的是，有几个主题的知识库放在 NotebookLM 上。当时这么做，是因为 Gemini 的深度推理能力确实好。但这几天只要工作涉及这些资料，我就只能等。

这件事让我重新确认：知识库本地化非常重要。

AI 即使不能联网，至少还可以读本地资料，整理已有内容，改写文章，复盘版本，调用我的风格规则和方法论。

现在我的大部分资料都在 Obsidian 里，在本地文件里，在自己的知识库里。模型能力会波动，工作效率会下降，但工作不会完全停摆。

官方文档、工具说明、产品规则、历史案例、客户问答、课程资料、文章版本、常用判断标准，只要高频使用，就不能只放在外部链接里。

能保存的保存，能做成 SOP 的做成 SOP，能封装成 skill，技能，的封装成 skill。

知识库不是收藏夹。

知识库是 AI 工作系统的本地供血系统。

联网正常时，它让 AI 更懂你；联网不稳定时，它让 AI 至少还能继续干活。

第二个策略：不要让一个模型成为唯一大脑

以前我们很容易迷信最强模型。

谁写得好，谁代码强，谁推理稳，就把大量任务都交给它。

但这几天最大的教训是：最强，不等于最稳。

Claude 很强，Codex 很强。但只要访问受限、服务异常、账号风险、接口不稳定，它们就会从“生产力核心”瞬间变成“生产瓶颈”。

所以模型不能只按能力强弱来选。模型要有备份选择，至少要有一套国产模型或本地模型作为降级方案。

降级方案不一定要做到最好，但必须能接住基础工作。

不能因为 Claude 断了，文章就不能改。

不能因为 Codex 断了，程序就不能改。

不能因为某个 API 断了，整个工作流就原地瘫痪。

工具不是信仰，工具是岗位。

岗位可以换人，但流程不能塌。

第三个策略：全自动化系统必须解耦

这几天还有一个特别明显的教训，来自 Video Forge。

我一直在努力把半自动调教成全自动。Video Forge 这种插件很漂亮，它可以把文案、分镜、配图、字幕、合成等环节串起来，最后直接输出视频。

跑通的时候，效率非常好。

可怕也可怕在这里。

因为它太自动化了。

一旦中间任何一个服务不稳定，模型断了，接口断了，图片生成断了，语音服务断了，合成环节断了，最后整条链都无法输出。

全自动化最诱人的地方，是你不用管中间过程。

全自动化最危险的地方，也是你拿不到中间过程。

所以接下来必须做解耦。

一条视频生产线，不能只有“输入选题”和“输出成片”两个状态。中间必须拆出可保存、可复用、可人工接管的阶段产物：文案、分镜列表、配图清单、图片素材、音频文件、字幕文件、工程文件。

每一环都要能单独保存，每一环都要能单独重跑，每一环都要允许换工具接着做。

这才叫系统。

否则它只是一个很精美的黑箱。黑箱顺的时候很高级，黑箱坏的时候，人连从哪里接手都不知道。

第四个策略：每条工作流都要有手动挡

AI 工作流不能只有自动挡。

自动挡适合效率，手动挡负责保命。

写公众号也是一样。

正常情况下，我可以让 AI 查资料、搭结构、压文字、做敏感词检查、排版、配图。

但如果模型服务不稳定，我至少要知道每一步的手动接管点在哪里。

资料查不了，就先用已有知识库写主判断，把待核查的位置标出来。

模型写不了，就先人工写开头和核心观点，让 AI 恢复后再做压稿。

配图生成不了，就先插配图标记，后面再统一补图。

排版工具断了，就先保留 Markdown 发布版，不让正文卡在格式上。

这不是退回纯手工。

这是给 AI 系统加手动挡。

一个成熟的工作流，应该允许人随时接管，也允许 AI 恢复后继续接回去。

能断点续跑，才是真的生产系统。

第五个策略：把服务不稳定当成默认前提

以前我会把服务异常当成意外。

现在不能这么想了。

模型限流、账号风控、地区限制、接口调整、价格变化、产品下线、插件失效，这些都不是小概率事件。

尤其当工具来自海外平台，而使用者在一个并不被稳定支持的市场里，这种风险就更不能被忽略。

所以以后做任何 AI 工作流，都要先问几个问题：

如果这个模型明天不能用，我怎么办？

如果这个插件跑到一半失败，我能不能拿到中间产物？

如果这个 API 被限流，我有没有替代服务？

如果外网访问异常，我的本地知识库能不能支撑我先完成 60%？

如果整条自动化链路断了，我能不能手动接管最关键的一环？

这些问题听起来不性感。

但真正救命的，往往就是这些不性感的设计。

最后

这几天的崩溃，对我来说像一次压力测试。

它把我原来系统里最脆弱的地方全照出来了：太依赖单一模型，太依赖实时服务，太相信全自动化链路，太少给中间产物留出口，也太少给自己准备手动挡。

所以接下来我不会只做一件事：换一个更稳的工具，然后继续把所有希望押上去。

我要做的是重构自己的 AI 工作系统。

资料本地化。

模型要多岗位分工。

自动化要解耦。

流程要能断点续跑。

关键环节要有人能接管。

AI 越强，越容易让人产生一种错觉：只要工具足够厉害，系统就会自动变稳。

事实正好相反。

工具越强，越要警惕依赖。

自动化越顺，越要设计断点。

模型越好用，越要准备替代方案。

因为真正稳定的，不是某一个工具永远可用。

真正稳定的，是工具断了以后，你的工作系统还活着。