刚开始用 Codex 的时候，我对 medium 这个默认档位有点误会。

它看起来像一个很稳的中间值：不至于太慢，也不至于太省。网上又经常有人说 GPT-5.4 编码很强，于是很容易顺手把两件事合在一起理解：既然模型强，那默认 medium 应该就够了。

用了一段时间以后，我的结论变了。小修小补可以继续 medium，但只要任务开始跨文件、需求有歧义、需要先读代码再判断，我更愿意直接开 high。xhigh 不当日常默认，留给 high 已经证明啃不动的任务。

翻了一圈现在仓库里的配置，我反而更确定一件事：这套东西最后拼的不是单个模型有多强，而是每一层到底该让谁来承担成本。

最明显的一个信号就是，当前生效的 published.runtime.json 还是 2026 年 4 月 2 日生成的 minimax-m2，但 2026 年 4 月 3 日 16:38 的 5f17088 已经把 blog-style-suite 的默认 provider 切到了本地 LM Studio 里的 gemma-4-26b-a4b。这看起来像前后不一致，其实不是，它恰好说明了这条流水线开始有了分工。

如果 token 足够，最省脑子的办法其实很粗暴：把历史文章直接塞给模型，让它自己学。

问题在于，这种办法只适合偶尔来一篇，不适合反复写。你要是真把博客写作当成长期工作流来做，生吃历史文章这条路，很快就会从“简单直接”变成“又贵又乱”。

去年写了不少 AI 稿子，那会最土的流程就是，自己先整理个大纲或者问题清单，让大模型把正文吐出来，然后再把内容复制到本地 md 文档里，补 frontmatter、标签、分类、标题，最后再发布。

这套流程不是不能用，是很烦。真正费时间的地方，不是正文，而是正文外面那一圈重复劳动。尤其是最近 Codex 用多了以后，这种别扭感更强了。它能读仓库、能改文件、能补资料、还能直接把文章写进目录里，我要是还手工复制来复制去，反而像是人把工具的腿绑住了。

春节期间几家国内 AI 厂商撒钱拉新，动作一点都不陌生。

红包、补贴、免单、强入口，先把用户带进 App，先把 DAU 做起来，先让市场看到“大家都在用”。这是上一个互联网周期最熟的一套打法。

它不是没用。问题在于，AI 这门生意不能只按注意力经济算。人进来了，聊了几句，生成了几张图，这些都只是开始。真正决定用户会不会留下、会不会付费的，是它到底替用户做成了什么。

这几天看 AI 编程，前脚大家还在聊 MCP，后脚又开始聊 Skill。这两个词放在一起，最容易让人误会成又多了一个协议，或者又多了一种高级提示词。

真正的区别其实更朴素：MCP 解决的是 agent 怎么接上外部工具和数据，Skill 解决的是接上以后按什么顺序把活干稳。一个偏连接，一个偏流程。

所以 Skill 最有价值的场景，不是模型完全不会做，而是模型每次做法不稳。它像一份工种手册，把触发条件、步骤、边界、参考资料和必要脚本放在一起，让 agent 少靠临场发挥。

最近把一些边角活往 MiniMax 和本地模型上迁，感受反而比一开始更清楚：很多任务不是非要最强模型才能做，而是不能把所有模型都放到同一个工位上比。

以前我容易问“这个模型强不强”。现在更愿意先问两件事：这件活错了以后代价有多大，重复跑一百次以后成本有多高。答案一变，低成本模型、本地模型和旗舰模型的位置也就变了。

复杂编码、长链路推理、模糊需求拆解，还是该给更强的模型；数据清洗、文档改写、资料初筛、固定格式转换，反而更适合交给便宜模型和本地模型。它们不一定聪明到能总包项目，但很适合把那些不值得人反复动手的活接住。

最近回头翻了下博客里这两年和 AI 相关的文章，发现内容已经不是最开始那种“某个模型好不好用”的简单体验了，而是逐步形成了一条比较清晰的主线：AI 如何真正进入我的开发工作流，以及它带来了什么效率、代价和新的约束。