模型路由

按任务风险、复杂度、时限与数据范围选择模型。

路由把任务分配给适当模型，是一个会影响质量的决策系统。输入可以包括任务类型、风险、复杂度、数据敏感性、上下文大小、deadline与成本。建议先采用可解释的确定性规则，再根据真实失败数据评估学习型router，避免一开始增加难以归因的模型决策层。

先做资格筛选，再做成本与能力选择。某模型可能响应很快，却不能接收客户保密资料，或不支持必要工具；它不应进入候选集合。金融算术可以交确定性代码，快速分类、压缩、生成和judge可以各用不同模型，但每个角色都需要独立版本和质量记录。

选择指标应是通过验收的完整任务成本，而非输入token单价。便宜模型若需要更多循环、搜索、重试和人工返工，可能更贵；高档模型也不必用于所有步骤。路由要记录选择理由、实际调用、后续升级与最终质量，使团队知道难任务是否被错误送给低能力路径。

可设有限升级机制：低成本路径在证据不足、结构错误或无进展时，转到获准高档模型；升级仍受剩余预算和数据合同约束。不能无限来回切换，更不能把judge分数低直接解释为模型不够强，忽略检索或工具缺陷。

评估要按任务和风险分层，尤其检查错分到便宜模型的严重错误。线上比较保留冷缓存、供应商配额和人工接管影响，不把某一时段低延迟当长期优势。路由模型本身升级时也需要回归。

对业务方可展示策略而非所有内部细节，例如普通材料先走标准路径，明确高风险或复杂问题进入专家路径。策略必须能解释何时降级、排队和停止；不应为了完成率而把未批准供应商静默加入。

实践重点：先做确定性规则；记录理由与质量，再评估学习型router。

验证抓手：评测路由误分、尾延迟和有效结果成本。

常见误区：便宜模型多循环和人工返工反而更贵。

OpenAI：模型目录；OpenAI Agents SDK：模型与provider。