章节主旨
不要把全部生产力押在单一模型(Claude)上。以最强模型为主力(约 70%),把剩下的分散到 Codex、Gemini/anti-gravity、开源本地模型等,用组合把单点故障和模型波动摊平——本章给出三条具体的落地路径。
核心论点
- 单一模型是单点风险——你的产出会与该模型的性能同涨同跌,它宕机你就瘫痪。(→ 详解1)
- 择优不等于独占——顶尖模型的微小领先在高智能区会放大成鸿沟,该用还得用,但仍要留冗余。(→ 详解2)
- 多模型组合像指数基金——各模型强弱互补、波动相消,整体曲线更平稳可靠。(→ 详解3)
- 分散有三种工程实现——编排平台(Conductor)、跨模型 MCP、以及完全独立的备用平台,分别应对不同故障层级。(→ 详解4、5、6)
知识点详解
1. 分散原则:多数押注 + 少量分流 2:13:03
是什么:把”生产力鸡蛋”不要全放进一个篮子。Nick 的配比是约 7 成放 Claude,剩下 3 成分流到 Codex、anti-gravity(Gemini)、以及像 pi 这类模型无关的 harness(可挂本地模型)。
为什么:如果 10 个鸡蛋全在 Claude 篮子里,一旦 Claude 性能下滑或宕机,你的整体产出就跟着塌。留出分流份额,就是给自己留一条”换轨”的路。
怎么用:不是均分,而是”主力 + 少数派”。主力仍是当前最强模型,分流份额只求覆盖面,保证任一平台出问题时你有现成替代。这是模型分散策略的底层配比思路。
2. 择优优先:1% 的领先会被放大成鸿沟 2:14:03
是什么:模型能力不是线性的。到了”接近天花板”的高智能区,哪怕只强 1%,实际表现的差距也可能被放大成巨大鸿沟(他用爱因斯坦比常人”聪明一点点”却能提出相对论作类比,并自嘲别较真其智商)。
为什么:正因为微小领先会被放大,所以”如果你有能力用最强模型,就用最强模型”。分散不是要你降级到平庸模型去做主力。
怎么用:把择优和分散当成两件不冲突的事——主力选当前最强,分散只是给主力配冗余,而不是拉平所有模型的使用权重。
3. 指数基金类比:组合让波动相消 2:15:20
是什么:多模型组合的原理等同于投资里的 ETF / 指数基金。单只股票各自剧烈波动,但把资金绑在一篮子上,长期曲线反而平缓向上。
为什么:模型间存在此消彼长——Claude 涨的时候 Codex 可能平、Codex 强的时候 Claude 可能弱,两条曲线一平均,你的整体产出(那条”黑线”)就比单押任一模型稳得多。
怎么用:把模型当资产配置来想:目标不是押中最猛的那只,而是让组合摊平”模型性能的统计涨落”,换取可依赖、可预期的稳定产出。
4. 方式一:Conductor 并行编排多种 Agent 2:16:55
是什么:Conductor 这类平台让你在本机的隔离工作区里,同时跑一批 Codex 和 Claude Code agent,用各家原生 CLI 驱动,界面统一、可实时观察各 agent 的进展。
为什么:因为你只是最上层的”指挥”,如果 Claude 那批 agent 没跑通、Codex 那批跑通了,对你毫无影响——只需把时间精力临时挪到 Codex 那批,全在同一界面里完成。工作区不绑定任何单一模型厂商。
怎么用:官方文档已把配置讲得很清楚,下载装好即可,不必自己折腾一堆设置。适合想让多家 agent 天然并行化、互为备份的场景。
5. 方式二:Codex MCP server 在 Claude 内调用 Codex 2:18:38
是什么:装一个 Codex MCP server,让 Claude Code 能与 Codex 来回对话。装法很直接:npm i -g @openai/codex 装好 Codex CLI,填入 OpenAI API key,再把它加进 Claude Code,之后就能在 Claude 里直接”喊话” Codex。
为什么:适用场景是——Claude Code 本身在线,但个别 Claude 模型性能降级(degraded)时。你不必离开 Claude 界面、不打断本地工作流,就能借道 Codex 补位。
注意边界:这个 MCP server 技术上住在 Claude Code 里,所以如果 Claude Code 整个宕机,它也跟着用不了——它只解决”模型级降级”,不解决”平台级宕机”。
6. 方式三:完全独立的备用平台 + 工作区可迁移 2:23:24
是什么:最后一层冗余是准备一个完全独立的 agent 平台(他推荐 Codex 桌面 App:装好、备好订阅、会用),以应对 Anthropic 大范围宕机——此时前两种方式都失效,只能整体换平台。
为什么:他实测 Gemini 除前端设计外都远不如 Codex,所以当前备胎选 Codex;但强调格局变化极快,今天的排序过几周未必成立。
怎么用:关键是让工作区”平台无关”。做法是复制整个工作区,把 Claude 专属的东西(如 CLAUDE.md)改成通用的 agent 规范(AGENTS.md),让任何 agent 都能接手;可定期跑同步流程,或在 CLAUDE.md 里加一行”更新 CLAUDE.md 时也更新 AGENTS.md”来保持两者一致。
关联
- 互补:Skill 按需加载 vs agents.md 每轮注入 覆盖另一条轴——本章讲 AGENTS.md 为什么要平台无关(换 agent 可接手),该片讲里面该写什么(只放每轮都用的工作流约束,不写代码库信息)。
术语
- monoculture crop(单一作物):把所有产能压在一个模型上的比喻,一旦该模型出事就全盘瘫痪。
- Conductor:在本机隔离工作区并行编排 Codex/Claude Code 多 agent 的平台。
- Codex MCP server:让 Claude Code 与 Codex 互通对话的 MCP 服务,住在 Claude Code 内。
- anti-gravity:承载 Gemini agent chat 的编码环境,可作 Claude Code 扩展宿主。
- harness(编码外壳):模型无关的 agent 运行框架(如 pi),可挂载本地或不同厂商模型。
- AGENTS.md:平台无关的 agent 配置文件,对应 Claude 专属的 CLAUDE.md。
自检问题
- Nick 主张”用最强模型”和”分散模型”,这两者矛盾吗?他怎么调和? 答案:不矛盾。主力仍用当前最强模型(因为高智能区 1% 领先会放大成鸿沟),分散只是给主力配少量冗余份额(约 70/30),不是把使用权重拉平。见详解 2。2:14:03
- Codex MCP server 能应对 Claude Code 整个平台宕机吗? 答案:不能。它技术上住在 Claude Code 内,只解决”个别 Claude 模型降级”,Claude Code 一旦整体宕机它也用不了;平台级宕机要靠方式三(独立备用平台)。见详解 5、6。2:18:38
- 为什么把多模型组合类比成指数基金? 答案:因为各模型强弱互补、波动此消彼长,像一篮子股票一样相互抵消个体波动,整体产出曲线更平稳可靠,而非押中最猛的单只。见详解 3。2:15:20
- 要让工作区能被任意 agent 接手,关键改动是什么? 答案:复制整个工作区,把 Claude 专属文件(如 CLAUDE.md)改成通用的 AGENTS.md 规范,并用同步流程或一条”更新 CLAUDE.md 时同步 AGENTS.md”的规则保持一致。见详解 6。2:23:24