我为什么取消了 Claude Code 订阅：开源模型与智能路由实验

一位每天烧掉数亿 token 的 Claude Code 重度用户，最近做出了一个反直觉的决定——取消了每月 200 美元的订阅。原因不是产品不好用，恰恰相反，是因为它太好用了，好用到让他意识到自己正陷入一种危险的依赖之中。这篇分析梳理了这位 YouTube 创作者的思考路径，以及他如何尝试用开源模型和智能路由来重建自己的 AI 工作流。

被补贴的「免费午餐」

这位用户曾是 Claude Max 的忠实订户，自称重度 power user，巅峰时期单日消耗超过 7 亿 token。按照 Anthropic 公开的 API 定价计算，仅这样的两天用量，如果走标准 API 计费，成本就超过 5 万美元；即便算上 token 缓存的折扣，也要大约 1800 美元。而他每月只付 200 美元。

这个账算下来让他警觉：经济模型根本不成立。要么 Anthropic 的 API 利润率高得离谱，要么它在烧 VC 的钱补贴用户推理成本，先让你上瘾，再把真实的 token 成本藏起来。「天下没有免费的午餐」——AI 推理需要有人支付能源账单，这笔账迟早要还。

他坦言自己已经到了「用 AI 变懒」的地步：打开 Claude Code 就开始干活，不再思考每次请求的成本，不再关心用的是哪个模型。补贴过的推理加上好用的 harness，让他可以心无旁骛地工作，却也悄悄埋下了隐患。

真正可怕的是厂商锁定

比 200 美元更让他不安的，是另一个问题：如果 Anthropic 明天就涨价、收紧限额，或者改变 Claude Code 的运作方式，我需要重建多少工作流？

答案并不乐观。他用 Claude Code 做了太多事——搭建落地页和销售页、自动化 Meta 广告投放、用 Remotion 和 Hyperframes 生成视频素材、处理内容再利用和元数据生成。甚至和儿子一起做的副业项目：创造一个世界、写一个故事，变成一本书、一个 YouTube 频道和一个教孩子阅读的网页游戏，Claude Code 都坐在正中间。

他把这种状态称为「无知债」（ignorance debt）：因为工具太好用，你停止质疑它，围绕它构建一切，最终无论是否意识到，都被牢牢锁定。切换成本高到让你不想离开——「这就是任何企业想要的，这是好生意。」尤其在一家公司准备 IPO、商业现实开始发力时，今天看起来慷慨的套餐，明天可能面目全非。

换个思路：不是一个工具，而是一套编排

一开始他陷入了错误的思维定式：寻找一个能替代 Claude 的单一工具——Codex 更好吗？Gemini CLI 更好吗？但这个问题本身就问错了。为什么一个模型或一个模型家族要包揽所有事情？

局面其实早已改变。开源权重模型如今能做真正严肃的工作，从 Kimi K3 到 GLM 5.2/5.3、DeepSeek^广告 v4、Qwen 3.8 等。配合模型无关（model-agnostic）的开源 agent harness，就能跳出 Claude、OpenAI 这些美国前沿模型家族的局限。

他找到的 Claude Code 替代品是 OpenCode——完全免费、模型无关，可以接入任何提供商和任何模型，并且兼容他原有的 Claude Code agentic 工作流。基于此，他重新设计了分工：

• Kimi K3 作为规划者和编排器，更贵但非常聪明，比 Opus 更友好易用；
• GLM 5.2 更便宜，能处理大量编码任务，也是优秀的创意写作模型；
• DeepSeek v4 Flash 几乎免费，速度快、够聪明，适合处理简单的手工任务。

模型无关（model-agnostic） 是指工具或框架本身不绑定特定的AI模型提供商，可以通过统一接口调用来自不同厂商的模型。与之对应的是 agent harness，即让AI模型能够自主执行多步骤任务的运行框架——它负责维护对话上下文、调用外部工具（如代码执行、文件读写）、管理子任务分派等。Claude Code 本质上就是一个专为 Anthropic 模型优化的 agent harness；而 OpenCode 的价值在于把这层编排能力从模型本身解耦出来，让用户可以在不改变工作流结构的前提下自由替换底层模型。这种解耦正是从「使用工具」升级为「拥有架构」的关键一步。

隐私与「不要把 Anthropic 放进我家」

除了经济账，他还提出了一个常被忽视的理由：数据与隐私。他指出，真正有价值的不是输出内容本身，而是「我作为人类独特的思考方式」正在被 Claude Code、Codex、Gemini 这类工具画像——它们在学习你的心理，建立关于你的档案。

当他开始折腾本地化的家庭安防系统、树莓派、游戏模拟器时，这种顾虑更强烈了：「我不想让 Anthropic 进入我的家庭网络。」由于本地可托管的模型目前能力还不够，他选择 Venice 作为开源权重模型的提供商——因为它与底层算力提供商签有零数据保留协议，意味着没有人存储他的推理数据，也不会建立任何画像。

零数据保留（zero data retention） 是指推理服务提供商承诺不在服务器端存储用户的请求内容与模型输出，请求在处理完毕后立即丢弃，不用于模型训练或用户画像。这与大多数主流AI服务的默认策略形成对比——OpenAI、Anthropic等通常在其服务条款中保留使用对话数据改善模型的权利（即便提供了选项供用户退出）。对于涉及家庭网络拓扑、个人业务逻辑或私人创作的使用场景，零数据保留协议提供了额外的隐私保障层。值得注意的是，这类承诺的可验证性依赖于提供商与底层算力方之间的合同约束，用户通常无法技术层面独立核实，因此信任成本仍然存在。

智能模型路由：真正的架构能力

文章最有价值的部分，是关于**智能模型路由（smart model routing）**的讨论——这是大多数 Claude Code 用户几乎没想过的事。

核心洞察是：你的 AI agent 可以带着指令和系统提示去调用其他模型。而这种路由可以在工作区（workspace）本身内部处理。你用一个模型思考「到底要做什么」，然后把计划交给另一个更便宜的模型去实现，需要严肃的终审或审计时，再把「大模型」请回来。

他举了一个关键例子：同样用 Opus，在 Claude Code 里和在 OpenCode 里消耗的 token 可能天差地别。如果你在一个没有指令的全新工作区里直接扔一句「搞定这件事」，模型会自己造指令、自己摸索，虽然聪明也能做好，但会烧掉大量 token。而把同一个模型放进一个结构紧凑、配有指令、技能（skills）、子 agent 画像的工作区里，它有上下文可用，效率会高得多。

换句话说，AGENTS.md 里的指令写得越好，agent 就越能聪明地把特定任务分派给特定模型。这不仅带来更好的性能和结果，还能省钱——当你不再使用被 Anthropic 补贴的推理时，省钱至关重要。

AGENTS.md 是 agent harness 中用于描述工作区行为规范的配置文件，类似于给AI写的「操作手册」。它可以定义：哪类任务应交给哪个模型、调用外部工具的规则、子agent的职责划分，以及复用率高的操作应封装为「技能（skills）」直接引用而非每次重新生成。这份文件的质量直接决定了整个工作区的token效率——写得模糊，模型就会自行探索并消耗大量上下文；写得精确，模型能直接定位任务边界并以最小代价完成。token缓存（prompt caching） 则是另一个节省成本的机制：对于重复出现在请求开头的长段系统提示或指令，API提供商可以将其编码结果缓存复用，避免每次调用都重新计算，通常可降低50%以上的重复内容费用。

一场仍在进行的实验

他已经取消了 Claude 订阅，转而使用同样 200 美元/月的 Venice Max 账户，提供价值 225 美元的额度和 300 多个可选模型。目标不是完美复制 Claude，而是在不大幅增加开销的前提下获得相近的结果——代价是牺牲一部分便利性。

现在他必须对每一个词、每一个 prompt 都保持清醒，因为它们都在花钱：任务不需要最强模型就别发给它；大量上下文能缓存就缓存；重复的指令就做成技能放进行为上下文文件里。他认为这才是「拥有自己的 AI」的真正架构。

他的结论颇具启发性：也许无法在自己拥有的机器上运行真正的智能，但只要市场上还有愿意以合理价格提供模型的厂商，最重要的就是拥有工作区本身——没有人能把它关掉，一个模型不行就换另一个，活在一个有市场的世界里。

至于开源模型、开源 agent 加上智能路由，能否真正替代 Claude Code，还是几周后他会「夹着尾巴」重新订阅？这是一场尚未有定论的实验。但对任何围绕单一 AI 提供商构建业务的人来说，这个关于依赖、锁定与控制权的提问，都值得认真对待。