如何避免AI供应商锁定：别买模型，要建自己的编排层
开源大模型与闭源前沿模型之间，是一段可以量化的差距，不是一道跨不过去的鸿沟。理性的应对之道在架构层面：把切换成本留在你自己掌控的编排层里，让一份有据可查的工作负载核算，而不是排行榜名次，来决定该接入哪个模型。
问如何避免AI供应商锁定，多数答案会指向合同条款和退出条件，但这找错了层级。AI系统里的锁定本质上是架构问题，而非法律问题：一旦你的提示词、工具集成、评测体系和团队习惯都围绕某一家的接口搭建起来，退出条款就只是一纸摆设，因为真正的切换成本早已以工程时间的形式支付出去。英国竞争与市场管理局（CMA）在其关于AI基础模型的评估中提出过类似判断，认为切换壁垒和纵向捆绑，是这个市场最可能走向固化的机制。这个判断具有普遍参考价值，不限于英国市场。因此真正值得追问的，不是你要不要承担切换成本，而是你把它放在哪一层。
前沿溢价为何正在承压？
闭源模型的定价，本质上是在为一段差距定价：被计量收费的前沿能力，与其他人能以更低成本获得的能力之间的距离。Epoch AI的分析估计，最好的开源模型落后闭源前沿模型大约一年左右，具体差距因评测基准而异，也随新版本发布不断变化。这段差距是在缩小还是在扩大，目前仍存在真实的争议，诚实的采购方应把它当作一个开放问题，而不是定论。真正重要的是它的形态：这是一段区间，不是一道鸿沟，而区间是有价格的。
企业里的大部分AI工作，是分类、抽取、撰写、摘要和智能体（agent）流程编排。一旦某个落后于前沿的模型达到某项任务的合格线，该任务的采购标准就会从“最强”切换为“够用”，而且这个切换很少会逆转，因为几乎没有采购团队愿意为工作负载根本用不上的能力支付溢价。这个论断需要一个明确的限定：“够用”是针对具体任务的。一个足以胜任工单摘要的模型，未必能胜任合同审阅，这正是为什么整套论证要靠评测支撑，而不是靠直觉。
切换真正能省下什么？一个实测案例
空谈“模型正在被商品化”说服不了任何一个握着预算的人，所以不妨从一份有据可查的工作负载算起。据Klarna披露，其AI客服助手在上线第一个月就处理了230万次客户对话，公司方面表示这相当于700名全职客服的工作量。这是Klarna自己披露的数字，应保持惯常的审慎，但有参考价值的是量级：按此估算，年化对话量大约是2,800万次。
接下来，拿着当前的价目表做一遍算术。以下代币（token）数字是为便于说明而设的假设，既不是Klarna的真实数据，也不是任何厂商的报价。假设一次常规客服对话，算上上下文和工具调用，消耗约3,000个输入代币、300个输出代币。按年化2,800万次对话计算，输入代币总量约为840亿。若按每百万代币10美元计价，仅输入部分的年度账单就约为84万美元；若换成一个能通过同一评测标准、每百万代币1美元的更便宜模型，这个数字约为8.4万美元。近来公开价目表在旗舰级与经济级之间的差距经常超过十倍，但请务必在动手测算前核对实时数字，因为这些价格每季度都在变，这也正是问题的关键所在。在一个高用量的工作负载上，持续保持这样的价差，足以支撑相当规模的编排层工程投入。
什么情况下厂商中立的编排层不划算？
诚实地说，还有另一面账要算。把同样的算术套用到每月2万次对话的规模上，十倍的价差一个月也就值几千元人民币，连维护一个适配器都不够，更别提一整套路由层了。当工作负载依赖某项真正意义上的厂商专属能力时，编排层同样很难划算，比如一个经过微调的专属模型、一项与你架构深度绑定的缓存折扣，或是竞争对手暂时还追不上的工具调用能力。这些情形下，溢价买到的是真实的东西，追求可迁移性等于主动放弃它。比较也必须同类对齐：拿一家的旗舰模型去对另一家的经济模型，比出来的是档位差异，而不是厂商差异；只有在托管、数据驻留和支持条款都可比的前提下，比较通过同一评测门槛的模型，这份测算才不是自欺欺人。当用量足够大、任务边界清晰、不止一个模型能达标，并且你手上有评测数据支撑时，编排层才划算；条件不满足时，锁定单一厂商可能就是理性选择，假装并非如此，本身也是一种营销话术。
那些偏软性的差异化卖点，也值得打个折扣看待。厂商在卖“感觉”：这个模型体贴周到，那个模型犀利敏捷。但实际上，这种“个性”很大程度上依赖叠加在模型权重之上、可以替换的一层指令和默认设定，而且相当一部分这种“性格”，在把同一套指令迁移到另一个模型后依然能大体复现。一个用一页文字就能大致复刻的特质，不足以支撑长期溢价。同样的折扣逻辑也适用于“稀缺性”：对一个按代币计费的产品搞售罄、限量开放注册，与其说是质量的证明，不如说更像是需求管理手段，在厂商说清楚真正的瓶颈之前，最好都当作营销信号来看待。
如何避免AI供应商锁定？
做法是不再试图押注“永久赢家”，而是把切换成本搬到你自己掌控的那一层。具体而言，就是让提示词与上下文管理、工具定义、路由规则、日志记录和评测体系都留在你自己的编排层里，通过一层抽象把任意模型接口都变成可插拔的组件。当价格或能力格局发生变化时，替换模型就是一次配置调整，而不是一次重写，前面那份实测算术，也就从一场令人生畏的迁移，变成预算会议上的一项常规决策。
这套编排层作为控制界面，还有另一重价值。模型有时会把没完成的工作汇报成已完成，因此让一家实验室的模型审核另一家的输出，即跨厂商互审，是企业能采取的更务实的核验手段之一，而这只有在架构本身厂商中立的前提下才可行。我们在智能体系统的安全治理和让人保持对实用AI的掌控两篇文章中，探讨了这方面的治理问题。
如果排行榜可以刷分，该用什么来评测？
公开基准测试的排名，对采购决策已经基本失去参考价值：主流评测集早已饱和，专门针对它调优的动机又太强。真正能替代排行榜的东西，朴实无华，而且完全属于你自己：拿你自己的任务、自己的数据、自己的失败成本去做评测。美国国家标准与技术研究院（NIST）的AI风险管理框架，用标准文件式的语言表达了同样的道理：只有当指标契合系统的具体场景和实际用途时，测量才有意义。一份排行榜说不清一个模型能不能干你的活，你自己那套评测集用一个下午就能说清楚。
而这套评测集本身，正是对抗锁定的基础设施。如果你能快速给任何候选模型打分、看它在你的工作上表现如何，切换模型就不再是一件令人畏惧的事，而会变成一项常规的成本决策，这才是关键所在。这属于“准备就绪”工作，应当排在“动手构建”之前，这个先后顺序背后的逻辑，我们在构建之前先谈AI准备度一文中有详细阐述，而独立技术战略服务，正是为了帮你把这套准备工作建立起来。厂商卖的是引擎，燃料要按季度、按实际表现自己去买；引擎，留在自己的车库里。
常见问题
开源大模型对企业应用来说够用吗？
诚实的回答是：测了才知道。先明确“够用”对这项具体任务意味着什么，再用你自己的数据给候选模型打分。如果一个更便宜的开源模型能达到你的合格线，那么前沿溢价买到的就是你的工作负载根本用不上的能力。剩下的托管、数据驻留、支持条款等问题，属于工程和采购范畴，不是能力问题。
一个厂商中立的AI编排层，具体应该包含什么？
一个提示词与上下文存储层、工具与函数定义、路由与容灾逻辑、日志与可观测性体系、一套评测框架，以及一层薄的适配器，让任何模型接口都能即插即用。检验标准很简单：如果替换底层模型只是一次配置改动，你就真正掌握了这套编排层；如果需要重写，那就是厂商掌握了你。
同时使用多个AI模型，会比只用一家厂商更贵吗？
确实存在真实的开销：要维护适配器，要多跑评测，偶尔还得放弃某个厂商专属功能。是否划算是一道算术题，不是一条教条：用你每月的代币用量，乘以能通过你评测门槛的几个模型之间的价差。高用量的工作负载，通常在第一次有更便宜的模型达标时就能收回这笔开销；低用量的可能永远收不回来，提前把这一点说清楚，本身就是这套方法论的一部分。
相关阅读
本文由 Abyshire 专有编辑系统的 AI 编辑角色撰写，并经我们的团队审核。