此刻我们都是土耳其人
进入 6 月之后，我明显感受到几个常用 AI 工具的可用额度和计费方式开始变化。
Copilot 套餐计费方式的变更幅度尤为离谱。之前一个月可以调用 Claude Sonnet 4.6 约 300 次，而且每次调用中的 Tool Use 并不会额外消耗套餐额度。到了 6 月 1 日上午，我只问了两个问题，套餐额度就直接消耗了将近 10%。按照这个速度估算，原本一个月几百次的可用量，骤然缩减到大约二十来次。
当然，也可以理解为之前给得太慷慨，突然回到正常商业逻辑之后，前后反差就显得尤其强烈。只是对实际使用者来说，体感非常直接：原本已经磨合好的工具组合，突然无法满足自己的日常使用了。
于是我只能重新盘点了手头能用的 AI 编程工具。痛失 Copilot 之后，手头剩下的主要是 Claude Code 加第三方 API 的组合。但这些 API 也各有各的问题。
为了补上编程模型的空缺，最终我选择了 Codex，原因说来可笑：App Store 土耳其区订阅 ChatGPT Plus 只要 80 元。
然而截至文章写作时，土耳其区的订阅价格已经从半价恢复至原价，为了薅羊毛定下的决策，此刻又要被重新评估。这种「随时可能流离失所」的数字难民常态，实际上凸显了我一直面对和思考的问题：
在 AI 工具、模型和订阅规则都还没有稳定下来的阶段，我们到底应该如何与它们相处？
在不确定性中寻找确定性
我现在的答案不是押注某一个永远正确的工具，而是在自己的高频场景里，先形成一套固定组合，再通过长期使用，把它磨合成可迁移的工作流。
当下的 AI 行业竞争激烈，产品繁多，模型厂商在推出模型的同时，也在推出自己的工具。就拿编程工具来说，OpenAI 有 Codex、Anthropic 有 Claude Code 、Google 有 Antigravity，可能某个模型在排行榜上分数不高，但是结合自家的工具，却有意料之外的表现。
Deep Research 类功能也在成为头部模型厂商的标配能力之一，但在购买大家电这类更依赖本地商品信息的场景里，相比 OpenAI、Anthropic、Google 这几家海外主流模型厂商，我反而会更多参考豆包，因为它对国内电商语境下的参数、价格和商品信息更敏感。
所以，在这个阶段要求自己只使用某一个工具或者某一个模型，并不现实。
但另一边，完全跟着免费额度、新品发布和社交媒体上的评测到处切换，这会带来另一种疲惫。
我以前也经历过到处试用新工具的阶段。哪里有免费额度，就去哪里试一下；哪个工具刚发布，就新建一个项目跑一跑。Gemini CLI、Windsurf、CodeBuddy 之类的工具，我都断断续续试过。
短期看，这种体验很新鲜。你会觉得自己始终站在新工具的最前沿，什么模型都试过，什么产品都摸过。
但长期看，项目仓库里多了一堆配置文件夹，脑子里多了一堆半生不熟的工具名，真正稳定产出的能力并没有同步增长。
因为你一直在重新学习。
你要适应新的界面，理解新的交互逻辑，重新配置项目文件，重新观察模型的回复习惯，还要重新判断它适合什么任务。
这些成本单独看都不高，但叠在一起，就会消耗大量注意力。
更麻烦的是，当一次任务失败时，你很难判断问题到底出在哪里。
是模型能力不够，还是工具机制没吃透？是提示词写得不清楚，还是你自己对任务拆解得太粗？是工具不适合这个场景，还是你没有用到它真正强的功能？
如果每次都在换工具，你很难得到清晰答案。
所以我现在更倾向于先把一套产品用熟，针对自己的高频场景，形成「固定组合」。
所谓固定组合，就是你在某个日常高频场景里，可以不加思索直接使用的一套工具加模型的组合。
它未必永远最强，也未必在所有排行榜上排第一，但它足够熟悉、足够稳定、结果足够可预期。你知道它擅长什么，不擅长什么；你知道该如何给它任务；你知道什么时候让它继续推进，什么时候自己接管判断。
这里的固定，不代表永远绑定某一个模型，也不代表拒绝尝试新工具。它指的是，在自己的高频场景里，选择一套主要工具和模型组合，持续用它完成真实任务，直到自己真正理解它的功能、边界和适用场景，并在持续使用的过程中形成自己稳定的工作流。
「固定组合」只是手段，「工作流」才是最终目的。这样未来即便模型和订阅规则发生变化，我也可以带着这套熟悉的任务拆解方式和协作方法，迁移到新的工具上。
我的高频场景：内容创作
我的公众号文章，通常不是从「帮我写一篇文章」开始的。
它一般从一个点子开始。
有时候是一个最近的使用体验，有时候是一段碎片想法，有时候是某个工具变化带来的情绪。这个点子刚出现时，往往还很粗糙，只有一个大概方向，甚至连文章到底想表达什么都说不清楚。
这时候，我会先把自己的实践经历、碎片想法和初步判断丢给 AI，让它和我一起讨论这篇文章到底要写什么。
我在 Gemini GEM 和 ChatGPT Project 里，都设置了专门的博客文章构思流程。这个流程不会直接帮我写正文，而是不断追问我一篇文章架构的核心问题，这些问题看起来很基础，但对写作非常重要。
很多文章写不下去，并不是因为语言不够好，而是因为作者自己还没想清楚。AI 如果太早进入「帮我写正文」的阶段，反而会把一堆没想清楚的内容包装成流畅文字。看起来完成了，实际上真正想表达的观点被藏起来了。之前我还曾被 Claude Opus 给出的观点唬住，沦为 AI 的人肉打字机，事后反思才发觉文章表达的内容与我自己的想法大相径庭。
所以我会先用 AI 陪我把文章想清楚。
当核心判断、读者对象、结构和素材都基本明确之后，我才会让模型根据大纲，使用我自己沉淀的写作 Skill mp-article-writor，生成公众号文章初稿。
但在我的流程里，Skill 生成初稿并不是文章完成，只是进入了下一阶段。
初稿出来之后，我会自己先改一轮。正如我在之前的文章中讨论的，即便在 Skill 中提前给定了种种约束，最终生成的文章仍然有挥之不去的 AI 味，有些句子太满，有些转折太顺，有些判断太像标准答案，这些都需要人工重新处理。
更重要的，修改初稿的过程也是我重新审视整篇文章的过程，很多和 AI 讨论大纲时遗漏的想法会重新冒出来，被我补充进去。
改完之后，我还会把文章丢给 AI 做终稿评价。
终稿评价不是让 AI 继续润色，而是让它站在读者和编辑的角度，检查文章哪里跳跃，哪里重复，哪里论证不足，哪里可能让人觉得空泛。然后我再根据这些评价做最后修改。我使用的 prompt 取自纯银的一篇文章，同样也非常简单：
你是一位资深的编辑，总结重点，赞同你高度认可的部分，并批评不认可的部分。完全不用给文章作者任何面子和情绪价值，犀利是你的风格，准确比犀利更重要。
如果这篇公众号文章也适合发布在小红书上，我还会使用另一个 Skill，把公众号文章转换成小红书内容。
公众号和小红书的内容形态完全不同。公众号更适合展开论述，小红书更重视开头的抓取力、信息密度、段落节奏和图片表达。直接复制公众号内容过去，效果通常不会太好。所以我会让 Skill 按照小红书的内容逻辑重新处理，而不是简单压缩文章。
生图也被融入到了这个流程里。
我平时生成图片，主要是为了自媒体内容生产：公众号题图、文章插图、小红书封面和内容配图。
以前我会提供设计风格和设计要求，让模型在本地生成 HTML 文件，手动截图。现在我更倾向于把图片创作规则写进 Skill 里。
也就是说，AI 在生成文章或者改写小红书内容时，会根据具体内容判断哪里适合插入图片，并给出对应的生图 prompt。之后我再把这些 prompt 丢给生图模型生成图片。
所以在我的内容生产流程里，生图已经不是一个孤立的工具选择问题，而是写作流程的一部分。它和文章结构、平台形态、读者预期一起被考虑。
一篇文章从构思到多平台发布，我会用不同工具承担不同环节。Gemini GEM 和 ChatGPT Project 负责讨论结构，写作 Skill 负责生成初稿，终稿评价流程负责挑错，小红书转换 Skill 和生图 prompt 则负责平台适配。它们组合在一起，才构成了我现在的内容创作工作流。
在我的内容创作过程中，围绕从构思到终稿评审再到多平台发布的完整工作流，我针对不同的场景，使用了不同的「固定组合」。这样的流程既能帮我提升效率，也能在环境发生变化时，找到合适的替代方案。
工具会变，流程会留下
AI 工具还会继续变化，模型还会继续迭代，订阅规则也一定还会继续调整。我们很难押中一个永远正确的工具，也很难保证今天顺手的组合未来依然划算。
但只要你在自己的高频场景里，长期使用一套主要组合，并从中磨合出稳定流程，变化带来的冲击就会小很多。
当你遇到一个任务时，不再反复纠结该打开哪个工具、该选择哪个模型、该怎么写提示词，而是自然知道应该把它交给哪套流程处理，AI 才真正开始变成一种可以被你顺手调用的能力。
工具会变，模型会变，价格也会变。
但你在真实场景里磨合出来的判断力、任务拆解方式和协作流程，可以继续留下来。
我独立开发的 Mac 端 App「流量日记」已上线 Mac App Store，专为自媒体创作者打造，可永久保存、分析各平台导出的账号数据。如果你是用 Mac 的内容创作者，欢迎下载体验，半年内免费使用。
欢迎关注我的公众号「高效人生指北」。
