Llmrouter

核心用法

LLM Router 是一个智能代理服务器，通过分类器分析输入请求的复杂度，将其路由到合适的LLM模型。用户发送统一格式的API请求，系统自动选择从超轻量到超复杂五个层级的模型，无需手动切换。

显著优点

• 成本优化：简单问候用Haiku/Mini模型，复杂推理才用Opus/o3，实测可节省50-90%的API费用
• 多供应商支持：无缝集成Anthropic、OpenAI、Google Gemini、Kimi/Moonshot及本地Ollama
• 灵活分类器：本地免费(Ollama)、远程快速(Anthropic Haiku/OpenAI GPT-4o-mini)可选，适应不同硬件环境
• OpenClaw深度整合：专门兼容模式，支持Claude Code OAuth令牌、工具调用重映射
• 零代码迁移：OpenAI兼容API格式，现有客户端无需修改即可接入

潜在缺点与局限性

• 分类延迟：本地分类增加50-200ms首token时间，远程分类增加一次API往返
• 分类误差风险：简单问题可能误判为复杂，导致过度消费；关键任务建议人工指定模型
• 运维复杂度：需维护本地Python服务、虚拟环境、配置文件，非技术用户门槛较高
• 供应商锁定隐忧：深度集成特定生态，切换成本存在

适合人群

• 高频API调用者（日均$10+ token费用）
• 多模型策略的技术团队
• OpenClaw/Claude Code重度用户
• 有运维能力的开发者

常规风险

• API密钥泄露：配置文件中明文存储密钥，需严格权限控制
• 本地服务暴露：默认绑定127.0.0.1较安全，但误配0.0.0.0可能导致未授权访问
• 依赖供应链：PyPI依赖、Ollama模型存在潜在安全风险，建议固定版本审计

核心功能

LLM Router 是一款智能代理层，通过分析请求复杂度自动将用户查询路由至最合适的语言模型。其核心机制是将任务分为五个等级（super_easy 至 super_hard），分别对应从简单问候到复杂系统架构设计的不同场景，从而实现"简单任务用便宜模型，复杂任务用强大模型"的成本优化策略。

显著优点

成本效益最大化：这是 LLM Router 最突出的价值。通过将日常简单查询（如问候、简单问答）路由至 Haiku、GPT-4o-mini 等低价模型，仅在必要时调用 Opus、o3 等旗舰模型，用户可显著降低月度 API 支出。据估算，对于以常规交互为主的应用场景，成本节省可达 60-80%。

多平台生态支持：原生兼容 Anthropic Claude 系列、OpenAI GPT/o 系列、Google Gemini、Kimi/Moonshot 以及本地 Ollama 模型，提供统一的路由层抽象，降低多供应商管理的复杂度。

灵活的分类策略：提供本地（Ollama 免费运行）、云端（Anthropic Haiku/OpenAI GPT-4o-mini 低成本调用）等多种分类器选项，适应不同硬件条件和隐私需求。

OpenClaw 深度集成：专为 Claude Code 生态设计的 --openclaw 模式，支持工具调用重映射和模型名称重写，实现无缝接入现有开发工作流。

潜在局限

分类准确性依赖：请求复杂度的自动判断并非绝对准确，存在边缘案例将复杂请求误判为简单任务的风险，可能导致输出质量下降。用户需通过编辑 ROUTES.md 持续调优分类规则。

延迟开销：增加了一层网络代理和分类推理，对于极简请求可能引入 100-500ms 的额外延迟，在对实时性要求极高的场景需谨慎评估。

运维复杂度：作为独立服务运行，需维护 Python 环境、配置文件和可能的本地模型（Ollama），对纯终端用户而言门槛高于直接使用云 API。

适合人群

• 高频使用 Claude/GPT API 的开发者与团队，寻求成本优化方案
• 需在单一接口管理多供应商模型的技术架构师
• 使用 OpenClaw/Claude Code 生态的重度用户
• 具备基础运维能力、能自行部署 Python 服务的用户

常规风险

• 配置错误风险：错误的 config.yaml 可能导致请求路由至非预期模型或失败
• 本地服务暴露：默认仅监听 localhost，但若误配置为开放网络可能引发未授权访问
• API 密钥管理：需妥善保管各供应商 API Key，避免泄露

安全认证

CLS-Certify S级认证（92/100）。纯文档类型 Skill，无可执行代码，无数据外泄风险，所有外部链接指向 GitHub/Apple 可信域名。