提示词自动路由到最便宜模型：external-model-delegation 用六层 tier 节省 LLM 成本

LLM 成本优化新思路：把提示词自动路由到最便宜的模型

你们有没有这种感觉——让 Claude 处理所有任务，就像开法拉利去买菜？能用，但也太贵了。

最近发现一个叫 external-model-delegation 的 Skill，思路很有意思：不是让一个模型干所有事，而是给每个提示词自动分配「最合适」的模型。

核心思路：六层成本路由表

这个 Skill 实现的路由逻辑非常清晰，根据任务类型自动匹配：

• QWEN（免费）：grep、find、regex、shell 命令、语法查找、短摘要——本地 Ollama 直接搞定，一分钱不用
• DEEPSEEK_FLASH（$0.14/M tokens）：简单代码、样板代码、CRUD、测试编写、小修小补
• DEEPSEEK_PRO（$0.44/M tokens）：多文件特性、重构、调试、中等复杂度代码
• KIMI（$0.60/M tokens）：单文件 review、中等推理、commit 消息
• CODEX（按量计费）：批量生成、跨文件机械修改
• CLAUDE（$3-15/M tokens）：架构设计、安全分析、复杂调试、系统设计、质量关键任务

翻译成人话就是：查文档用免费模型，写测试用便宜模型，让 Claude 只处理真正需要它的事。

技术实现：UserPromptSubmit Hook

实现方式是 Anthropic 的 UserPromptSubmit hook——在提示词提交给模型之前，先经过一个分类器判断任务属于哪个 tier，然后注入对应的 delegation 脚本让 Claude 执行。

每个 tier 对应一个独立的命令行工具（~/bin/ 下的可执行脚本），Claude 调用这些脚本，把结果返回给用户。整个过程对用户透明——你只管问问题，系统自动选最划算的模型。

实际价值在哪？

这个模式解决了一个真实痛点：团队里不是所有任务都需要最强模型。代码格式化、简短解释、语法检查这类轻量任务，用 GPT-4 或 Qwen3 效果差不多，但成本差了 100 倍。

更重要的是，这个 Skill 提供了完整的路由决策表和技术实现模板。你可以基于它扩展自己的路由逻辑——比如加入响应质量评估，根据结果决定是否升级到更贵的模型。

怎么安装？

一行命令搞定：

npx skills add https://github.com/alinaqi/maggy --skill external-model-delegation

需要提前配置好 DEEPSEEK_API_KEY 和 OPENAI_API_KEY 环境变量，Ollama 也要在本地运行。具体看 GitHub 仓库里的文档。

GitHub：https://github.com/alinaqi/maggy

GitHub: https://github.com/alinaqi/maggy