大家好，我是孟健。

Fable 被暂停的那天我第一反应是庆幸——庆幸自己没有把生产流程全押在它身上。

先承认一件事的观点是，Fable 确实很强

Fable 发布时我认真研究了一下。它属于 Mythos‑class，能力层级比 Opus 还高。Anthropic 官方的说法是：

有个 Stripe 的案例很说明问题：万行 Ruby 代码的迁移任务，Fable 一天完成，团队手工做可能超过两个月。说到价格也不便宜，

这种级别的模型。正常情况下会让人产生一个念头：是不是该把所有 Agent 都切过去？怎么说呢，但“最强”这个标签有个问题：它描述的是能力上限。跟生产可靠性没关系，

它突然暂停，暴露的是生产风险

2024 年 5 月 12 日Anthropic 发布了一则公告：

美国政府以国家安全权力发出出口管制指令。要求暂停所有 foreign national 对 Fable 和 Mythos 的访问。结果是 Anthropic 必须对所有客户禁用这两个模型。

Anthropic 在公告里表示他们不同意这个判断，也在努力恢复访问。这些争议我不做政治评论，作为开发者，真正可以关注的只有一件事：

模型能力是上限。模型可用性才是生产底线，

单点依赖导致全线停摆

If your production pipeline deeply relies on Fable。on day it disappears you have only two choices: a quick switch or waiting . Waiting means entire workflow stalls. 单点依赖的必然结果，就是一个节点挂掉，整条链路跟着停——跟供应商有没有问题无关，跟意不意外无关。

如果 Fable 是唯一模型，那天会发生什么？按理说，

• 设计 Agent 出配色、排版建议、组件规范；
• 前端 Agent 拿这些规范写代码；
• QA Agent 接住代码跑测试；按理说，
• 运营 Agent 负责选题、文案、发布节奏。

设计 Agent 一停，前端 Agent 没有输入可用；说起来，前端停了QA 空转；运营失去可发布产物，整条链路的停摆，比单个任务失败严重得多——一个任务出错是局部故障。唯一模型失联是全线停产，

我最近反而在拆模型。而不是追最强

Pitfalls of chasing “biggest” model become obvious when it disappears. 在这段时间，我正好在做相反的事：把不同 Agent 切到不同模型。

当前模型分配表

• 设计 Agent、前端 Agent：Kimi K2
• 运营 Agent：GLM‑6B
• `GPT‑4o` 为主

为什么要拆？怎么说呢，——使用者痛点直击

• Pain point 1: 不同角色对上下文长度、模态支持和代码精准度的需求差异巨大。 怎么说呢，
• Pain point 2: 单一模型导致供应商风险叠加。一旦被封禁全线瘫痪，
• Pain point 3: 成本与响应时间不匹配——最强模型往往昂贵且延迟高。
• Pain point 4: 缺乏可替换性导致切换成本高企，需要重写 Prompt 或重新训练。

生产级 AI 编程。应该按四个维度选模型

一、任务类型

前端、后端、运营、写作、QA、调研，每类任务对模型需求各不相同。把所有任务塞给同一个模型，只是在抹平差异，而不是发挥能力最大化。

二、风险等级

- 高风险动作必须使用最稳方法，并设置人工确认点。怎么说呢，- 低风险高频任务可以尝试新模型或成本更低的方案。其实，

三、可替换性

This is most overlooked dimension. 每个 Agent 换掉当前模型后流程还能继续工作吗？如果切换成本极高，就说明耦合太深，需要解耦。怎么说呢，可替换性体现在四个方面：

• 使用通用指令结构。不依赖特定模型怪癖，换模型时 Prompt 基本保持不变。

四、供应商风险

- 限流 - 临时下架 - 合规审查 - 价格波动 - 区域访问限制 单一供应商代表着这些风险会一次性命中全部流程。多供应商策略让这些风险局部化，而不是全线停产。

以后不要问“哪个模型最强”。要问“哪里必须能换”

The Fable incident cemented my answer: AI 编程生产程序不应围绕“最强模型”建立，而应围绕“可替换节点”搭建。

个人开发者的实用组合参考

• Main Coding Model：选择当前性能最佳且稳定的，如 Kimi K2 或 GPT‑4o。
  • Pain point: 主要功能卡死 → Solution: 主力使用最强但保留备用入口。
• Backup Coding Model：如 Claude‑Sonnet 或 LLaMA‑Code。
  • Pain point: 主力不可用 → Solution: 快速切换到同等 API 接口的备用。
• NLP / 运营 Model：GLM‑6B 或 Claude‑Instant。
  • Pain point: 文案质量波动 → Solution: 使用专门调整中文输出的模型。
• Lighter Real‑Time Model：Mistral‑7B 或 Llama‑8B‑Chat。
  • Pain point: 延迟过高影响交互 → Solution: 用低延迟轻量模型处理即时反馈。

落地 Checklist

• 备份模型库：
• \end{ul>

Meng Jian – AI 编程创业者。做一人公司，跑多 Agent 工作流，记录真实踩坑经历。说起来，

\ \end{blockquote>

👋 我是孟健。前腾讯 T11 / 前字节技术 Leader，现在全职做 AI 编程。说起来，

🔥 更多 AI 编程实战资源：

• \ \end{ul}

---