模型分层路由技能
按任务复杂度把请求路由到最便宜的可用模型，让 AI 代理的token支出降低约 10 倍。
该技能为纯提示性路由指导，不请求权限、不执行外部操作、不处理敏感数据，风险面极小；扣分点：模型切换/子代理生成建议缺少明确用户确认与回滚规范，成本声明偏营销化。
SKILL.md 决策伪代码（视觉覆盖优先）与 test_classification.py（升级优先、无视觉规则）存在顺序与规则不一致；tests/scenarios. 未在源文件中出现，关键路径无法静态复现；扣分点：关键词启发式脆弱（如 'why'、'production' 误触发），失败反馈仅在父级层面描述。
触发条件、任务分类示例、不适用边界（如文本模型不做视觉任务）描述清晰，且包含 GLM/Kimi 等中国可用模型；扣分点：价格标注为 2026 年 2 月（相对当前不可核验/可能失真），核心价值依赖 OpenRouter 等海外服务可达性。
MIT 许可、pyproject 版本 0.1.0、作者信息齐全，文档结构清晰分层；扣分点：无 CHANGELOG，无维护/更新路径声明，README 引用的 tests/scenarios. 与 examples/ 未在源文件中提供。
分类规则、决策算法与集成示例可直接复制使用，比人工判断路由有边际价值；扣分点：成本节省声明（10x）依赖未经核验的 80/15/5 假设，价格数据可能过期，静态审查无法验证实际路由收益。
测试代码与成本计算函数可审计，成本数学可独立复算；扣分点：核心场景数据 scenarios. 缺失，无 CI 或第三方执行证据，价格与节省比例断言仅有作者声明。
- 模型价格标注为 2026 年 2 月，使用前务必对照官方最新定价核验。
- SKILL.md 伪代码与测试代码的分类规则顺序不一致（视觉覆盖 vs 升级优先），实际实现前需统一。
- tests/scenarios. 未随源文件提供，README 中引用的部分文件（examples/）无法静态核实。
- 关键词启发式存在误触发风险（如 'why'、'production' 直接升到 Tier 3），可能推高成本。
- 对依赖 OpenRouter/海外 API 的中国用户，请先确认网络可达性。
这个 Skill 能做什么，适合哪些场景？
model-hierarchy 是一个 OpenClaw 技能，核心主张是：80% 的代理任务（文件读写、状态检查、格式化、简单问答）不需要昂贵模型。它提供三层模型价目表（Tier 1 便宜模型、Tier 2 中档模型、Tier 3 高端模型）、任务三级分类规则（例行/中等/复杂）和一个决策算法，指导代理把任务交给最便宜能胜任的模型。按 80/15/5 的任务分布计算，月成本可从纯 Opus 的约 $225 降到约 $19。技能是纯 Markdown 指令，无脚本依赖，可直接放入支持 Agent Skills 标准的任何环境。
读取当前任务描述后，该技能指导代理：(1) 按单一/多步骤、是否需要判断等特征将任务分类为例行、中等或复杂；(2) 检查任务是否涉及图像输入，若是则禁用纯文本模型（如 GLM 5），改用具备视觉能力的模型（如 Kimi K2.5）；(3) 依据关键词信号（debug、security 等）和失败升级规则选择对应档位模型；(4) 在例行任务时建议降级或在子代理上用廉价模型执行，卡住时明确请求升级；(5) 对心跳/定时任务强制使用 Tier 1 模型。它不执行任何代码，全部通过提示指令实现。
- 运营大量 OpenClaw 代理、每天心跳和定时任务产生大量token成本的团队，可把监控任务固定到 DeepSeek 等廉价模型。
- 使用 Claude Code 的开发者，想在 CLAUDE.md 中加入规则：后台子代理用 Haiku 处理文件操作，Sonnet 只用于代码生成和分析。
- 通过 OpenRouter 调用多模型的用户，需要区分纯文本模型（GLM 5）和多模态模型（Kimi K2.5）以正确处理含截图的任务。
- 预算敏感的个人代理用户，希望代理在例行工作时主动建议降级模型而不是默默烧钱。
- 构建自有代理框架的工程师，可参考其 get_model_for_task() 的关键词信号分类法快速实现路由逻辑。
这个 Skill 有哪些优点和局限？
- 提供具体到价格的三层模型价目表和 80/15/5 成本测算，决策有量化依据。
- 包含明确的视觉能力例外规则，防止把图像任务误派给纯文本模型。
- 纯 Markdown 指令，无脚本或运行时依赖，可移植到任何 Agent Skills 兼容环境。
- 附 OpenClaw、Claude Code 和通用 Python 三种集成示例，落地路径清晰。
- 价目表标注为 2026 年 2 月价格，实际费用需自行核对供应商文档，可能已过期。
- 成本节省 10 倍的数字是基于 100K tokens/天的假设估算，仓库未提供实测验证数据。
- 复杂度分类依赖关键词信号和启发式规则，可能把需要深度推理的任务误判为例行任务。
- 适用平台以 OpenClaw 和 Claude Code 为主，其他代理系统只有通用示例，无完整安装文档。
如何安装这个 Skill？
OpenClaw：将 SKILL.md 复制到 ~/.openclaw/skills/model-hierarchy/SKILL.md，然后运行 openclaw gateway restart。Claude Code / Codex：把 README 中的 Model Routing 段落加入 CLAUDE.md 或项目指令即可。仓库还含 tests/（test_classification.py、scenarios.）和 examples/ 目录；测试用 python -m pytest tests/ -v 运行。其他代理系统的安装方式文档未说明。
如何使用这个 Skill？
安装后技能由触发词激活："model routing"、"cost optimization"、"which model"、"too expensive"、"spawn agent"。日常使用中代理会自动按任务分类建议模型，也可在 OpenClaw 会话中手动切换，如 /model opus（复杂任务升级）、/model deepseek（例行任务降级），或用 sessions_spawn 指定 model: deepseek 派发子代理。示例对话："这个像例行文件工作，要我派个 DeepSeek 子代理处理吗？同样结果，成本零头。"