消息提到，GPT-5.3-codex-spark正在被退役，它曾以每秒1000个token的速度见长。有观点猜测“为未来腾出空间”暗示后继模型在开发中，但官方没有确认。对常用它的程序员来说，真正的问题不是惋惜，而是：我的经验还值钱吗？

先分清工具绑定技能和可迁移能力

同一件事，两种做法差别很大。做法一：把提示词、参数、调用习惯都围绕某个模型打磨到极致，换模型就重调一遍。做法二：把任务拆解、输入输出边界、失败兜底写成与模型无关的工程判断，换工具只改接口层。前者是工具绑定技能，后者是可迁移能力。

判断方法很直接：假设明天这个模型不可用，你手头哪些工作能在一周内平移到别的模型？能平移的部分，才是面试里敢讲的。简历成果必须实际完成才写，示例可用[实际记录]占位，别编造数字。

面试时怎么问出团队的工具依赖风险

模拟场景：面试官问“你平时用什么模型”。别只报名字，可以反问：团队技术选型走什么流程？历史上换过模型吗，迁移成本多大？如果某个模型停服，现有工作流多久能恢复？

这些问题不是刁难，而是核查。若对方只强调某个具体模型名称，却说不清切换方案，说明依赖风险偏高；若对方谈的是评测、抽象层和回退路径，说明工程成熟度更高。注意，这只是你的判断方法，不是对任何团队的断言。

转岗选方向时，看岗位描述怎么写

读岗位描述时，留意它强调的是“熟悉某模型”，还是“具备通用工程能力与业务理解”。前者可能意味着你的经验更依赖特定工具生命周期，后者迁移空间更大。

有用户希望后继模型在套餐用尽时也提供额外速率，这正说明对特定模型体验的依赖有多深。但后继模型是否存在、何时发布、能力如何，都还没有官方信息，不能当作既定事实来规划。

一个实际可做的小建议：挑一个你正在用的模型，写下“如果它明天退役，我哪三件事会受影响”，再针对受影响的部分补一项模型无关的练习。这比焦虑有用。