AI厂商锁定不只是API：四层锁定与真正的迁出成本清单

“我们随时可以换模型”

这句话在 2026 年的技术评审会上出现频率极高，但真正做过迁移的团队都知道：改 endpoint 只要 10 分钟，迁完不出问题要三个月。

厂商锁定的真实成本，几乎从不在 API 层面。它藏在四层里。

第一层：接口锁定（最容易，也最不重要）

各家都宣称 OpenAI 兼容，但实际上：

• 工具调用格式：参数 schema 的嵌套深度、并行调用支持、流式下的 arguments 分片方式都不同
• 结构化输出：JSON Schema 支持的子集不一样（有的不支持 oneOf，有的不支持递归）
• 多模态输入：图片编码方式、视频帧率、音频格式各有差异
• 缓存语义：提示词缓存的最小前缀长度、TTL、计价方式完全不同

这一层的迁出成本通常只有几天人力。真正的问题在下面三层。

第二层：提示词与评测资产锁定

这是最沉的一层。你为模型 A 精心调校的提示词，在模型 B 上可能差 20 个点。

具体表现：

• 模型 A 喜欢”分步骤思考”，模型 B 反而被引导得啰嗦
• 模型 A 的输出格式靠少样本示例就能约束，模型 B 必须用结构化输出
• 模型 A 能扛 4K token 的系统提示，模型 B 超过 2K 就开始忽略后半段

更麻烦的是评测集。如果你的评测集是为模型 A 的失败模式设计的，换到模型 B 时，它测不出新的失败模式。迁出时要重建评测集，这部分工作量常被完全低估——占整个迁移的40% 以上。

反锁定做法：从第一天就维持至少两家模型的并行评测（哪怕只跑离线），保持对模型差异的敏感度。

第三层：平台能力锁定

当你用了供应商的托管 Agent 平台、知识库、微调、批处理、评测工具，锁定就从”模型”升级成”整套流水线”。

平台能力	迁出难度	说明
托管 RAG / 知识库	高	切分策略、向量空间不通用，需重新灌库并调参
微调模型	极高	权重不可携带，数据配方可以带走但效果无法保证
Agent 编排 DSL	中高	平台特有的状态机、变量作用域，需重写
日志与追踪	中	历史数据可导出，但格式需转换
批处理 API	低	通常是标准文件格式

原则：能用标准协议就别用平台专有 DSL。MCP、OpenAI 兼容接口、Otel 追踪，这些是给自己留的后路。

第四层：成本与合规锁定

有些锁定你没法用代码解决：

• 预付/承诺消费：签了年度承诺量，实际用得少也只能付钱，换家意味着违约金
• 数据留存条款：某些场景的数据一旦进入某家云，因合规要求无法迁出
• 区域可用性：跨境业务的模型可用区限制会直接否定选项
• 人员资质：团队只熟悉一家的工具链，迁移等于要重训

还有一个隐性成本：用户感知。如果用户已经习惯了某个模型的表达风格，换模型会带来一波关于”变笨了”的投诉——即使客观指标没降。

一份可量化的迁出成本表

迁移前请把这七项填上，再决定”能不能随时换”：

1. 代码改动：接口适配与测试 —— 人日
2. 提示词重调：核心场景逐个对齐 —— 人日
3. 评测集重建与回归：覆盖度重新校准 —— 人日
4. 平台资产迁移：知识库、微调模型、编排重写 —— 人日
5. 灰度期并行成本：双跑期间的双倍推理费用
6. 合同损失：未履约部分违约金
7. 业务损失：切换期质量波动的用户投诉与转化下滑

经验值：一个中等复杂度的客服 Agent 全套迁移，成本约 30–60 人日，加 2–4 周灰度。

结论：锁定不可怕，无意识的锁定才可怕

完全避免锁定不现实——用了托管平台就获得了速度，这是正当交易。要做的是：

• 每隔季度跑一次双模型对比评测，保持随时可切的证据链
• 把提示词与评测集放在自己的仓库里，不放在供应商后台
• 关键链路用标准协议，把专有 DSL 限制在非核心场景
• 合同里争取”迁移协助条款”，而不只是争取折扣

回答”能不能随时换”时，正确的答案是给一个人日数字，而不是”可以”。