⚠️ 发布规则

所有发布到ClawHub的技能必须严格测试，确定没有问题再发布

技能测试验证清单

• frontmatter格式正确
• 模型选择逻辑完整
• 成本优化策略明确
• 任务分类清晰
• 无语法错误

Multi-Model Router - 多模型路由器

原创技能 | 激活词: 选择模型 / 路由模型 / 成本优化

核心概念

不同任务需要不同模型：

• 简单任务用小模型，省成本
• 复杂任务用大模型，保质量
• 特定任务用专用模型，提效率

模型能力矩阵

主流模型对比

擅长领域

MODEL_STRENGTHS = {
    'claude-opus': {
        'best': ['复杂推理', '长文本分析', '代码审查'],
        'good': ['创意写作', '技术文档'],
        'avoid': ['简单问答', '批量处理'],
    },
    'claude-sonnet': {
        'best': ['编程', '数据分析', '快速迭代'],
        'good': ['日常对话', '文档生成'],
        'avoid': ['超长上下文'],
    },
    'gpt-4o': {
        'best': ['多模态', '实时信息', 'API集成'],
        'good': ['通用对话', '代码生成'],
        'avoid': ['超长输出'],
    },
    'deepseek': {
        'best': ['代码优化', '数学', '中文'],
        'good': ['低成本批量处理'],
        'avoid': ['英文创意写作'],
    },
}

任务分类

类型1: 简单任务 (Simple)

特征:
- 单一问题
- 答案明确
- 不需要推理

示例:
- "现在几点了"
- "把这段文字翻译成英文"
- "计算 2+2"

推荐模型: Claude-haiku / GPT-mini

类型2: 常规任务 (Normal)

特征:
- 需要一定推理
- 有明确答案
- 标准流程

示例:
- "写一个用户登录函数"
- "解释什么是闭包"
- "帮我总结这段文章"

推荐模型: Claude-sonnet / GPT-4o-mini

类型3: 复杂任务 (Complex)

特征:
- 多步推理
- 需要深度分析
- 可能有歧义

示例:
- "设计一个微服务架构"
- "分析并优化这段代码性能"
- "制定产品上线计划"

推荐模型: Claude-opus / GPT-4o

类型4: 专业任务 (Specialized)

特征:
- 需要专业知识
- 领域特定
- 高准���性要求

示例:
- "法律文件审查"
- "数学证明"
- "代码安全审计"

推荐模型: 专用模型 / Claude-opus

路由算法

主路由逻辑

def route_task(task: Task) -> Model:
    # 1. 分析任务特征
    complexity = analyze_complexity(task)
    domain = analyze_domain(task)
    urgency = analyze_urgency(task)
    
    # 2. 成本预算
    budget = get_budget()
    
    # 3. 选择模型
    if complexity == 'simple':
        if budget == 'low':
            return 'claude-haiku'
        else:
            return 'gpt-mini'
    
    elif complexity == 'normal':
        if domain == 'code' and urgency == 'high':
            return 'claude-sonnet'  # 编程优先
        else:
            return 'deepseek'  # 性价比
    
    elif complexity == 'complex':
        if domain == 'reasoning':
            return 'claude-opus'
        elif domain == 'creative':
            return 'gpt-4o'
        else:
            return 'claude-sonnet-max'
    
    else:  # specialized
        return 'claude-opus'

成本优化

def optimize_cost(task: Task, model: Model) -> Model:
    # 检查是否可以用更便宜的模型
    if can_use_cheaper(task):
        cheaper = find_cheaper_alternative(model)
        if test_quality(task, cheaper) >= 0.9:
            return cheaper
    
    return model

路由决策输出

## 路由决策

### 任务分析
- **复杂度**: Complex (多步推理)
- **领域**: Code (编程任务)
- **紧迫度**: Normal
- **预算**: 标准

### 模型选择
- **推荐**: claude-opus
- **备选**: gpt-4o
- **降级**: claude-sonnet

### 理由
1. 任务复杂度高，需要强推理能力
2. 编程任务，Claude编码能力强
3. 有足够预算

### 预估成本
- claude-opus: $0.015/1K tokens
- 预计消耗: 约 $0.05

模型切换策略

串行路由

def serial_route(task: Task) -> Response:
    # 用小模型先试
    response = call_model('haiku', task)
    
    if not satisfied(response):
        # 升级到大模型
        response = call_model('opus', task)
    
    return response

并行路由

async def parallel_route(task: Task) -> Response:
    # 并行调用多个模型
    results = await asyncio.gather(
        call_model('haiku', task),
        call_model('sonnet', task),
        call_model('opus', task),
    )
    
    # 选择最佳结果
    return select_best(results)

性能监控

监控指标

MONITOR = {
    'response_time': [],
    'quality_score': [],
    'cost_per_task': [],
    'model_usage': {},
}

路由优化

def optimize_routing():
    # 分析历史数据
    # 找出成本和质量最佳平衡点
    # 调整路由规则
    pass

集成建议

原创性声明

本技能为原创，融合了：

• 模型能力评估
• 任务复杂度分析
• 成本效益优化
• 动态路由算法

作者: laosi 创建日期: 2026-04-28