换个壳就差 4.5 分：模型和壳其实是同一个产品

深度思想，谈 AI 与向往 —— 字节深思圈

终端编程模型的公开评测榜上，有一个反直觉的排位：同一个 Claude Opus 4.6，配 ForgeCode 这个壳能跑到 79.8 分，配 Capy 只有 75.3 分。权重一模一样，一个字节都没改，差了 4.5 分。在这种每 0.1 分都要死磕的榜单上，这几乎是一个代差。

更夸张的例子来自 Cursor。他们的团队公开复盘过：同一个模型，没换权重，只改壳，榜单排名从三十名开外冲进了前五。

工程师 Nicolas Bustamante 围绕这件事做过一次很彻底的拆解，把几个主流编程 Agent 的内部实现逐层扒开，得出的结论是：模型不是单独存在的，壳是模型的一部分。这个判断，值得每个做 AI 产品的人认真想一遍。

模型是冲着壳训练的

先解释为什么换个壳就掉分。

模型不是只对着通用 API 做后训练的，它是冲着具体的壳做后训练的。壳里的每个细节，工具叫什么名字、输入 schema 长什么样、引用标签怎么写、技能文件放哪里、计划协议什么格式，都会被烤进训练里，变成模型的本能。

把模型拖出它熟悉的壳，性能损耗就发生了，而且是拿不回来的那种。这就是为什么每个号称"模型无关"的 Agent 都撞过同一堵墙：你没法就这么换个模型。要干净地换，得把壳一起换掉，工具面、schema 形状、记忆格式、引用契约、系统提示词结构，一连串东西都得跟着动。错配也不会直接报错，它会变成一种安静的退化：工具调用漏掉，推理强度不对，该记住的东西没被记住。

把几个主流壳拆开看，会发现它们不是同一个东西的三种写法，而是三种完全不同的协议。一个模型被训练成"发提交、读事件"的思维模式，另一个被训练成直接在对话里打出工具调用，第三个被训练成派出子进程、自己当监督者。模型学到的是协议的精确形状，换一套，本能就失灵了。

一个六个字符的标签，讲完整个故事

最能说明问题的是一个小小的引用标签，oai-mem-citation。

某个壳的设计里，模型每次用到记忆，都会在消息末尾挂上这个 XML 块，告诉壳"我引用了哪条记忆"。壳解析它，给对应记忆的使用次数加一。有引用，记忆就活下来；长期没人引用，记忆会被当成没用的旧数据清掉。靠这六个字符，模型和壳完成了一次心照不宣的合作：你用了哪条就告诉我，我负责奖励它。

换个壳，问题立刻出现。带着引用习惯的模型去了不解析这个标签的壳，会把一串原始 XML 直接吐给用户，记忆系统里也留不下任何"被用过"的信号。反过来，不挂标签的模型去了依赖标签的壳，明明在好好用记忆，系统却认为这些记忆从没被使用，几周之内就按衰减规则悄悄淘汰。同一批权重，同一段记忆，换个壳，一条路越用越好，另一条路慢慢腐烂。

技能文件的情况类似。表面上大家都是 SKILL.md，格式几乎通用。但一个技能文件真正依赖的，是它 body 里点名的那些工具：写着"第一步调 TodoWrite"的技能，在一个没有这个工具的壳里，只会默默失败，或者跑出一个残血版本。“格式通用"和"契约一致"之间，隔着一整套看不见的工具语义。

诚实的产品怎么做

面对这种耦合，做得诚实的团队有一个共同思路：不再假装壳是中立的，而是把对的方言喂给对的模型。

有个多模型支持的壳给出了参考做法：给不同家族的模型配不同的工具面，被训练用补丁格式编辑文件的模型只拿到补丁工具，被训练用字符串替换的模型只拿到替换工具；给某些模型开延迟加载工具的回路，给另一些模型一次性展示全部工具；连审查环节都用互补的模型来互相挑错。代价是它坦率承认：同一个产品，装 Claude 和装 GPT，是两个不同的产品，不存在中间的公约数。

Cursor 研究团队的建议同样直接：除非有特殊理由，一个会话里只用一个模型。中途切换的代价是三件事同时发生，对话历史变成新模型不熟悉的分布，已缓存的上下文全部失效，工具表换成了另一套形状。真需要另一个模型，最干净的办法是派一个子代理去用，而不是切换主对话。子代理开新的上下文，没有旧对话的偏置，从第一轮就站在自己的工具面上。

对做 AI 产品的人意味着什么

把这件事翻译成产品判断，有三层。

第一，别再拿"模型无关"当卖点了。多模型策略是真实的竞争维度，但它不是免费选项。在模型之间换来换去，付的是隐性迁移税：性能损失、工具重构、记忆丢失。“换模型只要改个 API”，是只看到账单、没看到成本的说法。

第二，把壳当产品战略，而不是基础设施。壳里的每个组件，本质上都编码了一个"模型自己搞不定某件事"的假设：要提醒它先验证、要帮它压缩上下文、要给它固定的记忆仪式。这些假设会随着模型成熟而过期。有个观察很生动：为上一代模型造的脚手架，在新模型身上变成了死重，得整个砍掉。想待在能力前沿，新模型发布的时候，你很可能要删掉大部分现有代码。这是这个行业的工作方式，不是事故。

当然也有反方。协议标准化在推进，工具调用和技能格式正在收敛，长期看耦合会减轻；榜单上的分数差距，也可能有一部分是各家针对基准刷出来的，不能全当真实能力的差距。这些反驳都成立。但方向性的事实没变：模型和承载它的产品形态，正在长成彼此的一部分。你今天定的每一个工具名、每一条驯化模型的规则，都会变成产品不可复制性的一部分，也会变成将来改起来最贵的那部分。趁现在就把它们当战略设计。

要点：同一权重换壳差 4.5 分，Cursor 只改壳排名从三十名外进前五；模型是冲着壳做后训练的，错配表现为安静退化；记忆引用标签决定记忆存活，格式通用不等于契约一致；诚实做法是给对的模型喂对的方言；壳编码的"模型弱点假设"会过期，新模型发布常要删掉大部分旧代码。