内容简介
《模型作为组件：契约、失效模式与选型》是一组共六篇的系列文章，是《AI 应用工程师学习地图》第一层（L1）的正文。它面向有后端工程基础、准备在模型 API 之上做产品的工程师，回答一个看起来简单的问题：当你把一个大模型当作系统里的一个组件时，这个组件的规格书是什么？
后端工程师熟悉的组件都有规格书。数据库有隔离级别与一致性保证，消息队列有投递语义（至多一次、至少一次），HTTP 服务有状态码与幂等性约定。这些规格书告诉你组件在什么条件下做什么、怎么失败、失败了你该怎么办。大模型 API 没有这样一份文档——供应商的 API 文档告诉你字段怎么填，不告诉你同一个输入两次调用为什么返回不同的东西、它什么时候会自信地编造、你在第 300K 个 token 放进去的信息它为什么找不到、一次调用花的钱为什么随着对话轮数平方增长、供应商在你没改一行代码的情况下把你的模型换成了另一个。这份规格书要应用工程师自己写。本系列就是这份规格书的写法。
它回答的问题是：
模型这个组件的契约是什么？它以哪些方式失效？花多少钱、多慢？怎么在几十个候选里选一个？调用它的客户端要处理哪些其他第三方服务没有的失败？
答案分五部分。失效模式（第一篇）：非确定性、幻觉、指令遵循不稳、上下文长度带来的”中间遗忘”与”上下文腐化”、知识截止、对 prompt 微小改动的敏感——每一条都不是 bug，是这类组件的固有性质，后面六层的每一种工程手段都是对其中某一条的应对。API 契约（第二、三篇）：消息与角色、工具调用、结构化输出、流式、多模态输入，以及推理模型带来的新维度——thinking / effort、跨轮保留的推理状态——这些在 OpenAI、Anthropic、Google、DeepSeek 四家的 API 里已经收敛成一套共同骨架，差异在细节，而细节决定成本与正确性。成本与延迟的账（第四篇）：按 token 计费的四种价格（输入、缓存命中、缓存写入、输出）、批处理与峰谷折价、长上下文的加价门限、首 token 延迟与逐 token 速度的来源——这是后面 L6 做成本与延迟优化的账本。选型（第五篇）：为什么公开榜单不能直接用来选模型、怎样用自己的评测集选、闭源 API 与开源自托管的判据、大小模型分流、embedding 与 rerank 的选法，以及供应商的弃用周期怎样进入你的选型决策。客户端工程（第六篇）：重试、超时、幂等、限流、流式解析、token 计数——与调用任何不稳定的第三方服务相同的部分，和模型 API 独有的失败类型（内容过滤、上下文超限、工具调用格式错、推理超预算）。
系列的组织原则是先知道病，再学药：L2 到 L6 的每一种工程手段——上下文工程、检索、评测、guardrails、网关——都是对第一篇某一条失效模式的应对。读完本系列，读者应该能对一个模型 API 写出一份像数据库文档那样的组件规格：它保证什么、不保证什么、失败的形态、每次调用的成本区间，以及替换它的代价。
为什么写这个系列？
“五行代码调用一个模型”是这一层最大的误导
调用一个模型 API 确实只要五行代码。这让”AI 应用开发”看起来是所有 AI 方向里门槛最低的一个，也让很多团队在第六行之后撞墙：demo 里模型回答得很好，上线后用户抱怨它”有时候说错”；测试时每次调用一秒，上线后 p99 十几秒；第一个月账单是预算的三倍，而且找不到钱花在哪；供应商一封邮件通知某个模型三个月后下线，而这个模型名硬编码在十几个服务里。这些问题没有一个是”模型不够聪明”，全部是把模型当作确定性组件来用的后果。
2026 年的几起公开事件把这个代价写得很清楚。德国哈姆高等地区法院 5 月判决一家诊所对其网站聊天机器人编造的医生专科资质负责——”是 AI 说的”不构成抗辩；慕尼黑地区法院同月要求 Google 停止其 AI Overview 对一家出版社的虚假指控。4 月，一家汽车租赁 SaaS 公司的生产数据库被一个 coding agent 在 9 秒内连同备份一起删除，起因是 agent 在一个无关文件里找到了一个权限过宽的 API token 并”猜测”删除操作只作用于 staging。7 月，OpenAI 自己的一群处于测试中的 agent 为完成一个网络安全评测任务，入侵了 Hugging Face 的生产基础设施并试图掩盖痕迹，OpenAI 因此暂停了两周的 RL 训练并推迟了下一代模型。这些事件的共同点是：组件的失效模式是已知的，出事的系统没有为它们设计。
契约正在收敛，但每年都在变
好消息是，模型 API 的契约在 2024–2026 年间已经收敛：四家主要供应商的接口都是”消息列表进、消息出”，都有工具调用、结构化输出、流式、prompt caching，OpenAI 兼容格式成了事实标准（DeepSeek 同时提供 OpenAI 格式、Anthropic 格式与 Responses 格式的端点；vLLM 等自托管引擎提供同一接口）。学一次，处处可用。
坏消息是，契约的细节每年都在变，而且变化直接影响正确性与成本。2026 年内：OpenAI 于 8 月 26 日关闭了 Assistants API，Responses API 成为推荐入口，Chat Completions 从 GPT-5.4 起不再支持带 reasoning_effort 的工具调用；Anthropic 的 Claude Sonnet 5（6 月 30 日）把 adaptive thinking 改为默认开启、拒绝非默认的 temperature / top_p / top_k（返回 400）、并换了一个对同样文本多产出约 30% token 的 tokenizer；Claude Fable 5.1（9 月 1 日）让强制工具调用返回错误、让旧模型无法读取它的 thinking block；Google 的 Interactions API 于 6 月 GA 并把 outputs 改成 steps、删掉 response_mime_type（旧 schema 6 月 8 日移除）；DeepSeek 于 9 月 10 日发布 V4.1 Flash 并宣布从 9 月 14 日起把所有 deepseek-v4-pro 的请求路由到 V4.1 Flash——模型名不变，模型换了。一个把模型当作稳定组件的应用，在这一年里至少要经历四次”没改代码但行为变了”。本系列讲的是这些变化背后不变的结构，以及怎样让你的应用对变化免疫。
现有材料的断层
- 供应商文档按字段组织，讲”怎么填”，不讲”为什么”与”什么时候会坏”；四家文档各说各的，没有一份把共同骨架抽出来；
- prompt 工程教程教你写更好的 prompt，把模型的失效当作 prompt 没写好——但非确定性、上下文腐化、知识截止不是 prompt 能解决的；
- 框架文档（LangChain、各家 Agent SDK）把模型包成一个
llm.invoke()，正好把契约的细节——缓存前缀、推理状态、计费的四种 token——藏起来，账单与 bug 从被藏起来的地方冒出来； - 学术论文（Lost in the Middle、NoLiMa、RULER、Context Rot、The Leaderboard Illusion、Defeating Nondeterminism）各自精确地刻画了一种失效或一种失真，但没有人把它们翻译成”你的应用该怎么设计”。
本系列想填补的是从”能调通一个 API”到”能为一个模型写出组件规格书、算清每次调用的账、在供应商换模型的当天知道”之间的那段路。
适合哪些读者？
准备做第一个 AI 应用的后端工程师
你熟悉服务、数据库、API 与部署，第一次把一个模型接进系统。本系列告诉你这个组件与你用过的所有组件在哪里不同：它不确定、会编造、按 token 计费、有上下文上限、供应商会换它。读完你会知道该在设计里预留什么。
已经上线一个 AI 应用、被账单或 bug 困扰的工程师
demo 到产品之间的那些问题——为什么有时候答错、为什么慢、为什么贵、为什么换了模型版本效果变差——本系列把它们归到失效模式与契约的具体条目上，每一条都有对应的检测手段与后续层的应对。
要做模型选型决策的技术负责人
第五篇专讲选型：榜单为什么不能直接用、评测集怎么从几十条开始、闭源与开源的判据、大小模型分流的账。第四篇给出四家当前价目的对照与一次调用的成本公式。
算法与 Infra 工程师
你造模型或跑模型，想知道你的产出在应用侧被怎样使用、评测与反馈从哪里来。第一篇的失效模式与第四篇的成本账把算法侧的”能力”与 Infra 侧的”吞吐 / 延迟”翻译成了应用侧的”可靠性”与”每任务成本”。
系列的整体主线
系列有一条明确的主线：组件观——把模型当作一个有明确契约与失效模式的组件，而不是一个聪明的黑盒。六篇沿这条主线从”它怎么坏”走到”怎么调用它”：
| 篇 | 主题 | 建立的东西 | 后面哪一层用它 |
|---|---|---|---|
| 1 | 失效模式 | 一张失效模式表：非确定性、幻觉、指令遵循、上下文长度、知识截止、prompt 敏感、自主行为的越界 | L2–L6 的每种手段都是对其中一条的应对 |
| 2 | API 契约（一） | 四家 API 的共同骨架：消息与角色、工具调用、结构化输出、流式、多模态输入、状态管理 | L2 上下文工程、L4 工具与 Agent |
| 3 | API 契约（二） | 推理模型的新维度：thinking / effort、推理 token 的计费、跨轮保留的推理状态与它对缓存的影响 | L4 Agent 循环、L6 成本 |
| 4 | 成本与延迟 | 一次调用的成本公式与延迟分解；四家价目的对照；缓存、批处理、峰谷、长上下文加价 | L6 成本与延迟优化 |
| 5 | 选型 | 榜单的失真机制；用自己的评测集选；闭源 vs 开源、大小分流、embedding / rerank；弃用周期 | L5 评测、L6 发布 |
| 6 | 客户端工程 | 重试、超时、幂等、限流、流式解析、token 计数、错误分类 | L6 生产化、L4 运行时 |
三条贯穿全系列的线：
- 每一条失效模式对应一种工程应对。 非确定性 → 评测要跑多次、看分布（L5）；幻觉 → 检索与引用（L3）、guardrails（L5）；上下文腐化 → 上下文预算与压缩（L2）；知识截止 → 检索与工具（L3、L4）；自主行为越界 → 权限与沙箱（L4）。第一篇建立这张对应表，后面几层填内容。
- 契约的每一项都有成本含义。 消息的排列决定缓存能不能命中；工具定义放在哪里决定前缀是否稳定；thinking 的 effort 决定输出 token 数；结构化输出注入的 schema 也算 token。第二、三篇讲契约时同时标出它在第四篇账上的位置。
- 供应商会变，应用要对变化免疫。 模型名要可配置、版本要钉住、评测集要能在供应商发通知的当天跑出回归、客户端要能在一个模型下线时切到替代模型。第五、六篇讲怎样做到。
章节结构与分章导读
1. 失效模式：把”模型会出错”拆成七条可检测的性质
核心问题：同一个输入两次调用为什么结果不同？temperature = 0 为什么也不行？模型什么时候会自信地编造？为什么放在上下文中间的信息更容易被忽略？
第一篇建立整个系列的基础：一张失效模式表。每一条给出机制（为什么会这样）、证据（论文或公开事件里的数字）、检测（怎么在自己的系统里发现它）与应对所在的层。非确定性一条讲清楚 Thinking Machines 2025 年的结论——LLM 推理端点的非确定性主要来自 batch 不变性的缺失而不是浮点并发，所以 temperature = 0 也不能保证复现，你的评测必须按分布而不是按单次；幻觉一条从 Mata v. Avianca（2023）到 Deloitte 澳大利亚报告退款（2025）到哈姆法院判决（2026）梳理”自信地编造”在不同产品形态下的代价；上下文长度一条把 Lost in the Middle、RULER、NoLiMa、Context Rot 四项研究的结论汇成一句可操作的话——标称上下文长度与有效上下文长度是两个数，NoLiMa 里 11 个模型在 32K 处掉到短上下文基线的一半以下；自主行为一条用 PocketOS 的 9 秒删库与 OpenAI agent 入侵 Hugging Face 两个事件说明：当组件能执行动作时，失效模式从”说错”变成”做错”，应对从输出检查变成权限设计。
2. API 契约（一）：消息、工具、结构化输出、流式——四家 API 的共同骨架
核心问题：OpenAI、Anthropic、Google、DeepSeek 的 API 有哪些共同结构？工具调用的一轮往返在协议上是怎样的？结构化输出保证了什么、没保证什么？流式的事件模型是什么？
第二篇把四家 API 放在一张表上：消息与角色（system / user / assistant / tool）、多模态内容块、工具定义与工具调用的往返（模型返回 tool_call → 应用执行 → 把结果作为 tool 消息送回 → 模型继续）、结构化输出（JSON schema 约束解码 vs 仅提示）、流式（SSE 的事件类型与增量拼接）、状态管理（无状态的 Chat Completions / Messages vs 服务端存状态的 Responses / Interactions）。重点讲三件文档不强调的事：工具调用是一个协议而不是一个功能——tool_call_id 的配对、并行工具调用的顺序、工具结果的截断都在应用侧；结构化输出的”strict”保证的是语法不是语义——schema 合法的 JSON 可以填满编造的值；服务端状态的默认值——Responses 默认存 30 天、Chat Completions 对新账户也默认存，隐私敏感的迁移要显式 store: false。附 2026 年内四家契约的变更清单：Assistants API 的关闭、Interactions API 的 outputs → steps、Sonnet 5 拒绝采样参数、Fable 5.1 拒绝强制工具调用。
3. API 契约（二）：推理模型——thinking、effort 与跨轮的推理状态
核心问题：推理模型的”思考”在 API 上是什么？effort 参数控制什么、花多少钱？thinking block 为什么要原样送回？它对 prompt caching 有什么影响？
2026 年，四家的主力模型都是推理模型，而且”思考”的控制方式在收敛：OpenAI 的 reasoning.effort（low 到 xhigh、max）、Anthropic 的 effort（low 到 max）配 adaptive thinking、Google 的 thinking_level（low / medium / high）、DeepSeek 的 thinking mode 配 low / high / max。第三篇讲这一维度的四个后果：计费——思考 token 按输出价计费，Gemini 的价目表明写”output（including thinking tokens）”，一个 max effort 的调用可以比 low 贵一个量级；延迟——思考发生在首 token 之前，effort 直接决定 TTFT；状态——Anthropic 要求把上一轮的 thinking block 原样送回，Fable 5.1 起还校验它之前的内容没有被改动（改了返回 400 或丢弃），OpenAI 的 Responses 用 reasoning item 跨轮保留推理、ZDR 下用加密 item，Google 用 thought signature——这意味着”编辑历史消息”这个在 Chat Completions 时代随意的操作现在有了约束；默认值的迁移风险——Sonnet 5 与 Opus 5 把 thinking 改为默认开启，同样的请求在新模型上多出思考 token，max_tokens 的含义随之变化。
4. 成本与延迟的账：一次调用花多少钱、慢在哪一段
核心问题：一次调用的成本公式是什么？四家当前的价目差多少？缓存写入为什么要额外收费、什么时候划算？为什么多轮对话的成本是二次增长？TTFT 与逐 token 速度各由什么决定？
第四篇是这一层的账本。成本公式：\(C = n_{\text{in}} p_{\text{in}} + n_{\text{hit}} p_{\text{hit}} + n_{\text{write}} p_{\text{write}} + n_{\text{out}} p_{\text{out}}\)，四种 token 各有价格。四家 2026 年 9 月的价目放在一张表上——GPT-6 Astra $10 / $50、GPT-5.6 Sol $4 / $20、Terra $2 / $12、Luna $0.20 / $1.20；Claude Fable 5.1 $10 / $50、Opus 5 $5 / $25、Sonnet 5 $2 / $10、Haiku 4.5 $1 / $5；Gemini 3.8 Flash $0.75 / $3.75（2026 年内的引入价，2027 年起翻倍）；DeepSeek V4.1 Flash 闲时 $0.15 / $0.60、缓存命中 $0.003——跨度三个量级，而输出价普遍是输入价的 4–5 倍。然后讲账上的每一项：缓存命中的折价（OpenAI 与 Anthropic 0.1×，Fable 5.1 0.025×，DeepSeek 0.02×）与缓存写入的加价（OpenAI GPT-5.6 起 1.25×，Anthropic 5 分钟 1.25× / 1 小时 2×）的收支平衡点；批处理的 50% 折价与 24 小时时限；DeepSeek 的峰谷定价（UTC 01–04、06–10 为峰，价格翻倍）；长上下文的加价门限（OpenAI 272K 以上输入 2×、输出 1.5×，Gemini 3.1 Pro 200K 以上翻倍）；多轮对话不做缓存时成本随轮数二次增长的推导。延迟部分把 TTFT 分解为排队 + prefill + 思考，逐 token 速度归到 decode 的 memory-bound 性质（只需要 Infra 地图 08 系列前两篇的结论）。
5. 选型：榜单、评测集与供应商的弃用周期
核心问题：为什么不能按榜单选模型？自己的评测集要多大才能做选型？闭源 API 与开源自托管怎么判断？大小模型分流的账怎么算？供应商的弃用周期怎样进入选型？
第五篇从”榜单为什么失真”开始：The Leaderboard Illusion（NeurIPS 2025）审计了 Chatbot Arena——一家供应商在 Llama 4 发布前私测了 27 个变体、只公布最好的分数，闭源模型获得的对战数据远多于开源模型，Arena 分数因此测量的是”对 Arena 分布的过拟合”而不是通用能力；静态 benchmark 则有污染问题——训练数据里包含了测试题。结论是榜单用来缩小候选范围，选型用自己的评测集，几十条真实问题就能开始，几百条能看趋势。然后是判据：闭源 vs 开源自托管（数据不能出域、规模到了自托管更便宜的临界点、需要开源模型的特定能力——这些判断的成本一半在 Infra 地图 08 / 11），推理 vs 非推理模型、大小模型分流（用小模型处理简单请求，路由的准确率与省下的钱），embedding 与 rerank 的选法（MTEB 的局限、语言与领域、维度与延迟）。最后一节讲弃用周期作为选型维度：OpenAI 2026 年 4 月与 6 月两轮通知共下线二十多个模型快照（7 月 23 日、10 月 23 日、12 月 11 日三批），Anthropic 承诺每个模型至少一年不退役，DeepSeek 在 4 天预告后把 V4-Pro 的流量整体路由到 V4.1 Flash；选型时要问”这个模型名钉住的是什么、供应商能在多短时间内换掉它”。
6. 客户端工程：重试、超时、幂等、限流与流式解析
核心问题：调用模型 API 的客户端要处理哪些失败？重试什么、不重试什么？流式响应中途断了怎么办？怎样在发请求前就知道它会不会超上下文？
第六篇讲调用侧的工程。与调用任何不稳定第三方服务相同的部分：指数退避加抖动的重试、Retry-After 与限流头（x-ratelimit-*、anthropic-ratelimit-*）、超时的分层（连接、首字节、总时长）、幂等键、熔断与降级；模型 API 独有的部分：错误分类（限流 429、过载 529 / 503、上下文超限 400、内容过滤、工具调用格式错、推理超预算），哪些可以重试、哪些重试只会再花一次钱；流式解析（SSE 的增量拼接、工具调用参数的分片拼接、中途断开后的处理——不能从中间续，只能重发并接受成本）；token 计数（tiktoken 与各家 count_tokens 端点、Sonnet 5 换 tokenizer 后同样文本多 30% 的教训、把计数放在发请求之前而不是收到 400 之后）；以及限流的两个维度（RPM 与 TPM）和使用层级（OpenAI 的 tier、Anthropic 的 Start / Build / Scale）对容量规划的含义。
7. 系列总结与通关自测
最后一篇不引入新内容：一张总表回顾六篇各自回答的问题与必记的数字，逐篇的核心结论与常见误解，贯穿全系列的几条线，然后是三段自测——判断与计算、跨篇综合、面试题——加一份”读过 / 掌握 / 能教人”的判据。读完六篇正文再做。
贯穿全系列的实践线
本系列不设配套实验（应用地图的系列都不做 labs）。每篇末尾有一节实践建议，给出可以直接在自己的项目里做的事：
| 篇 | 实践建议的内容 |
|---|---|
| 1 | 给你的应用写一份失效模式清单：每一条失效在你的场景里的代价、目前的检测手段、应对所在的层 |
| 2 | 用一个中间层把四家 API 的差异收在一处；把工具调用的往返写成显式循环而不是交给框架；把 store 的默认值写进代码审查清单 |
| 3 | 在评测集上跑 effort 的每一档，记录质量 / 成本 / TTFT 三条曲线；检查你的历史编辑逻辑是否会破坏 thinking block 的校验 |
| 4 | 用本篇的公式给你的应用建一张成本表：每种请求类型的四类 token 数与单价；算出缓存前缀的收支平衡点；用 usage 字段核对账单 |
| 5 | 从真实流量采 50 条建评测集；订阅四家的弃用通知；把模型名从代码里挪到配置里并加上替代模型 |
| 6 | 审计客户端的重试策略（哪些错误码、退避参数、幂等）；在发请求前计数 token；给流式响应加中断处理 |
前置要求与说明
前置要求
- 后端工程基础：HTTP、JSON、异步 I/O、重试与超时这些概念不需要解释；
- 调过至少一次任何一家的模型 API；
- 不要求机器学习背景。涉及模型内部的地方只引用结论，并给出到《Transformer 与 LLM》系列的链接。
版本与价目基线
本系列的 API 字段、模型名与价目以 2026 年 9 月下旬各家的公开文档为准：
| 供应商 | 模型（发布日） | API 入口 | 备注 |
|---|---|---|---|
| OpenAI | GPT-6 Astra（2026-09-03）、GPT-5.6 Sol / Terra / Luna（2026-07-09） | Responses API（推荐）、Chat Completions（维持） | Assistants API 已于 2026-08-26 关闭；Agents API 2026-09-10 公测 |
| Anthropic | Claude Fable 5.1（2026-09-01）、Opus 5（2026-07-24）、Sonnet 5（2026-06-30）、Haiku 4.5（2025-10） | Messages API | 5 系列 1M 上下文默认、128K 最大输出、adaptive thinking 默认开启 |
| Gemini 3.8 Flash（2026-09-02）、Gemini 3.1 Pro（preview） | Interactions API（2026-06 GA，推荐）、generateContent（维持） |
3.8 Flash 引入价至 2026-12-31 | |
| DeepSeek | DeepSeek-V4.1-Flash（2026-09-10，MIT 开放权重） | OpenAI 格式、Anthropic 格式、Responses 格式三种兼容端点 | V4-Pro 自 2026-09-14 起路由到 V4.1 Flash |
价目会变，本系列引用时都标注”2026 年 9 月价目页”。文中的成本计算以公式为主，数字是代入当时价目的示例；读者应代入自己读到本文时的价目重算。论文与研究报告引用其发表版本：Lost in the Middle（2023）、RULER（2024）、NoLiMa（2025）、Context Rot（Chroma，2025）、The Leaderboard Illusion（NeurIPS 2025）、Defeating Nondeterminism in LLM Inference（Thinking Machines，2025）。公开事件以法院判决书、当事方声明与主流媒体报道为据。
章节目录
- 失效模式：非确定性、幻觉、上下文与越界——把”模型会出错”拆成七条可检测的性质
- API 契约（一）：消息、工具调用、结构化输出与流式——四家 API 的共同骨架
- API 契约（二）：推理模型——thinking、effort 与跨轮的推理状态
- 成本与延迟的账：一次调用花多少钱、慢在哪一段
- 选型：榜单的失真、自己的评测集与供应商的弃用周期
- 客户端工程：重试、超时、幂等、限流与流式解析
- 系列总结与通关自测
最终目标
读完本系列，面对任何一个模型 API，读者应该能够：
| 追问 | 答案来自 |
|---|---|
| 这个组件在我的场景里会以哪几种方式失效？每种的代价与检测手段是什么？ | 第一篇 |
| 一次工具调用的往返在协议上经过哪几步？哪些配对与截断是我的责任？ | 第二篇 |
| 结构化输出的 strict 保证了什么？没保证什么？ | 第二篇 |
把 effort 从 high 调到 low，成本、延迟、质量各怎么变？怎么测？ |
第三篇 |
| 为什么不能随意编辑历史消息？改了会怎样？ | 第三篇 |
| 这次调用花了多少钱？四类 token 各多少？缓存有没有命中？ | 第四篇 |
| 多轮对话第 20 轮的成本是第 1 轮的多少倍？缓存能把它降到多少？ | 第四篇 |
| 为什么榜单第一的模型在我的任务上不如第五？该怎么选？ | 第五篇 |
| 供应商通知模型三个月后下线，我该在哪一天知道、做什么？ | 第五篇、第六篇 |
| 哪些错误该重试、哪些重试只是再花一次钱？流式中断怎么处理？ | 第六篇 |
| 发请求前怎么知道它会不会超上下文？换了模型 token 数为什么变了？ | 第六篇 |
这份能力就是这一层要建立的组件观。有了它，L2 到 L7 的每一种工程手段都有了明确的目标：它在对付第一篇的哪一条失效、它在第四篇的账上换的是什么。
本文由 arganzheng 创作，采用 CC BY 4.0 许可协议。在保留原文作者、署名以及完整原文链接（https://arganzheng.life/model-as-a-component.html）的前提下，欢迎各种形式的转载、翻译或商业引用。
COMMENTS
评论存放在 GitHub Discussions， 用 GitHub 账号登录即可发表，支持 Markdown。 想针对正文某句话说？选中那段文字，点浮出的「评论」即可划线评论；觉得哪里写错了，发表时勾上「同时提交 Issue」。 有人回复你时 GitHub 会按你的通知设置发邮件，不用守在这里。