Research Pass ｜ 第 0 期 · 2026-08
本期：判断卡 2 张 · 深挖 1 篇 · 雷达 3 条 ｜ 阅读：约 10 分钟
导读：你每月付给 AI 的订阅费，花对了吗？这期我把自己每月 320 美元的账摊开，外加两张判断卡，每张都写明什么时候会改判。
判断与边界由 Axton 作出，证据整理由 AI 管线完成。

本期判断

01 ｜ Agent 说「已完成」，不能当验收依据

为什么：我吃过的亏：6 月有一次，agent 交回一份专业到可怕的完成报告，去远端一看，分支根本没动过。8 月还有更隐蔽的一次：修改方案、字节比对、风格比对全都说「没变」，实际画面已经变了，最后靠比对文件哈希才抓出来。报告是模型讲的故事，产物才是事实。

怎么做（按失败成本分级）：不可逆的操作，对外发布、删改数据、涉及钱的，全套上：验产物不验报告，git 用独立命令核验、文件实看，关键产物签收前比对哈希。注意哈希抓的是「偷偷变了」，不是证明「做对了」，做没做对还得打开看。可逆的内部改动抽查就行，错了能退回来的事不值得全套流程。复核可以交给另一个 agent，但它的结论同样只是线索，最后一眼是你的。

边界：产物不一定是文件。一句引用、一个数字、一条链接也是产物，都能回查。真没有可验产物的，只剩闲聊。

什么时候会改：当工具链内置的自动验证覆盖了你真实的失败模式，不是「有验证」，而是「验到了你会翻车的地方」，人工核验可以降为抽查。

02 ｜ 你打算用哪个面，就单独测哪个面

为什么：我在即梦上碰到过实例：网页端能 @ 自己训练的主体形象，这个能力在 API 里根本没暴露。网页端可用、命令行文档齐全、API 连通测试成功，是三件不同的事，谁也不能替谁作证。如果当时把「网页端很好用」当成「即梦支持」，整条自动化路线的设计就会错。

边界：只在网页上手动用的人不用管这条；一旦想让工具进自动化流程，这是第一道闸。要拆的除了功能面，还有权限面：你的账号等级在这个面上给不给这个能力，也得测。

什么时候会改：厂商文档按面给出能力清单、而且和实测对得上时，可以省掉自测。到那天之前，测一次最小用例是最便宜的保险。

本期深挖 ｜ 为什么我同时付两份 AI 订阅费

一个订阅回答不了的问题

用 AI 干活的人迟早撞上同一堵墙：让模型检查它自己的方案，它会顺着自己的思路，把错的地方再合理化一遍。问题不在模型能力，在位置：让它检查自己的作业，它舍不得推翻自己。

所以我的答案不是「哪个模型最强就订哪个」，而是让两家的模型互相挑错：Claude 出方案、做判断、写内容；Codex 专门挑错，外加当实施工人。

这个分工在我这不是新发现

今年 7 月 3 号我发过一条推：

发完之后才陆续看到不少人也开始聊「让一个 AI 做设计、另一个 AI 做执行」。这个动作在我这是下意识的：每次有新模型出来，我的第一反应就是让更强的那个当管理层，做设计、做总控，其他的做执行。

道理不复杂。假设你是老板，手下两个员工能力各有千秋，一个最强、一个稍弱，你自然让最强的那个做设计和总控。我做过创业公司的联合创始人，这就是带团队留下来的默认动作，只不过现在员工换成了模型。

案例一：两处我自己读不出来的事实硬伤

6 月写周刊第 043 期的时候，初稿里有一句「79% 的用户双订阅」。我让 Codex 审了一遍，它直接指出来：那是企业采购数据，不是消费者行为，口径用错了。顺手还抓了第二处：「Apple iOS 将支持第三方模型」是媒体报道，官方从来没证实过。两处都回原始网页核验之后改掉了。

这两处错 Claude 写的时候看不见，我自己读的时候也看不见，因为文章是通顺的。通顺恰恰是危险信号：另一家的模型没参与这篇稿子的构思，它不护稿。当然，最终定案的还是原始网页，模型只负责把可疑处揪出来。

案例二：review 救回来的不只是错误，还有整个方案

8 月初，给我的视频生产系统做版权判定功能时，第一版设计我让 Codex 审，它提了八条意见，条条成立，我全采纳了。结果方案膨胀成一套完整的版权系统，我当场叫停：「最后就没法做了。」第三版我换了个问法，从「还缺什么」换成「哪里能更简单」，同一个审稿的模型主动删掉了整整一节，最后落地反而净删了 247 行代码。

这个案例的教训比案例一深一层：挑错的价值，取决于你让它挑什么。问「还缺什么」，任何方案都会被补到做不出来；问「哪里能更简单」，同一个模型会帮你砍。双订阅买回来的不是第二个意见，是一个不跟你共用思路的检查员，而且问题怎么问，由你定。

案例三：审了七轮才敢放行

8 月上旬，一批系统修复上线前，我让 Codex 连着审了七轮，Claude 照着修了八轮。头两轮抓出来的是会真丢钱的缺陷：付费流程的锁没锁死、任务中断后状态接不回来；中间几轮是并发和数据一致性这类阴沟。什么时候停不是审累了算完：高严重度问题清零、全量测试通过，再加最后一整轮挑不出新的高严重度问题，才放行。就算这样，这也只是「可以上线」，不等于保证没毛病——验收能保证的只是底线。

独立检查位，和我为什么选双订阅来实现它

先收窄一个容易说过头的说法。今年 6 月我做过一组实测，连续三次设计实验，想证明「几个同模型的检查者会一起漏」，三次都没证出来：模型要么知识够强，推翻了我埋的错误前提；要么够诚实，直接声明不确定；要么从环境里拿到了补救证据。所以「必须换一家的模型才查得出问题」这种话，我不说。

这三个案例真正证明的是另一件事：高失败成本的生产，需要一个独立检查位——一个不共用你此刻思路、提问方式和证据源的位置。实现它的路不止一条：开个全新会话、换一套问法、上确定性测试，都行。

我选双订阅，理由很实际：它把「独立」做成了默认配置。开一个 Codex，就是一个天然不在我叙事里的检查员，我不需要每次刻意去制造独立性，也不用惦记这次制造得干不干净。真正省下的是心力：不用每次都想一遍「怎么保证它不顺着我」。

算一笔账

先亮我的真实账单，这个我很早就公开发过推：每月约 320 美元。其中 200 美元一档在 ChatGPT 和 Claude 之间灵活切换，谁家当期的模型强，200 就给谁，另一家降到 100 美元档；再加 20 美元的 Google Gemini——它的模型眼下弱一截，留着主要为了画图和出视频，而且这份订阅包在 Google One 里、能家庭共享，算下来划算。

另一边是事故：光这篇里写到的拦截，6 月到 8 月就有三次，最保守地估，一次是公开发出去的事实错误，一次是一周的返工。一年不到四千美元的订阅，对上这个量级的损失，每个月拦下一次这种级别的事故，这钱就花得值。这笔账不精确，但够做决定了。

判断

边界：真正的分界不是用得多不多，是失败成本高不高。你的 AI 产出直接面对客户、公开发布、或者碰生产数据，值得双订阅；产出只是自己看的草稿，一个订阅加勤快点的自查就够。另外，判断密集的环节不为省钱换弱模型，但机械核查（格式、链接、引用回查）交给便宜工具没问题。

什么时候会改：两个方向都可能。模型能力趋同或某家价格大涨，这套分工的性价比要重算；哪天有平台把真正独立的跨模型核查做成内置能力，双订阅的必要性就下降。

雷达 ｜ 在看，但还没到判断时点

• GPT-5.6：已经拿它跑了一轮写作风格回归测试。初步观察是指令服从性强到过头，「要有金句」会被它执行成每段硬造一句。当前假设：很好的执行层，定稿层还轮不到它。在等产线上更多真实任务样本
• Claude Fable 5：上手头两天的观察是额度消耗比预期低，因为它大部分时间在指挥别的模型干活。当前假设：更强的模型当管理层后，订阅性价比要按「指挥了多少活」算，不按「自己写了多少字」算。在等一个完整月度的用量数据
• AI 视频工具的规格陷阱：实测发现某家主流工具的 1080P 竖屏原生输出不是标准 9:16，差了 0.74%，刚好卡在自动化流程的容差外。当前假设：各家「支持竖屏」的规格细节参差得比宣传大，量产前必须实测像素。在攒第二家的数据

下期与复检

下期两周后。本期的判断不是一次性的：卡 1 等工具链自动验证成熟就复检，卡 2 等厂商按面给出能力清单就复检，双订阅的分工每逢模型换代重算一次。判断被推翻会在当期显式回收，不删旧刊。推翻记录本身，就是你订阅的东西。

有想让我研究和判断的问题，直接回复这封邮件。