核心用法
Decision Economic Optimizer 是一个纯文档型 API 指导技能，用于调用 Which-LLM 的决策优化服务。该技能本身不执行 LLM 推理，而是作为 Agent 与 Which-LLM API 之间的桥梁，帮助用户在多模型生态中做出最优选择。
使用流程分为三步：首先通过 GET /capabilities 或 GET /pricing 探测当前支持的约束条件和定价信息；然后调用 POST /decision/optimize 提交任务目标与约束条件（如最低质量分数、最高成本预算、输入/输出 token 数量等），获取推荐的模型和备用方案；最后在执行完推荐模型后，通过 POST /decision/outcome 上报实际执行结果，获得信用积分用于后续请求抵扣。
付费请求采用 HTTP 402 状态码机制，Agent 需持有 WALLET_CREDENTIALS 凭证，通过外部加密钱包完成 USDC 支付（支持 Base、Ethereum、Arbitrum、Optimism、Avalanche 等多链），支付验证通过后方可获得决策结果。
显著优点
1. 经济性优化：在明确的质量门槛下自动选择成本最低的模型，直接降低 AI 运营成本
2. 确定性决策：告别黑箱式模型选择，所有推荐附带可审计的决策元数据和解释性字段
3. 收益回馈机制：通过上报真实执行结果赚取信用积分，形成"使用-反馈-抵扣"的正向循环
4. 多链支付灵活：支持主流 L2 网络的 USDC 支付，降低 gas 成本
5. 零代码依赖：纯 API 文档指导，无第三方依赖引入，部署风险极低
6. 可信来源保障：由 Zapkid 组织维护，通过六维安全检测，符合 GDPR/CCPA 合规要求
潜在缺点与局限性
1. 支付门槛：必须持有加密钱包并完成链上支付才能使用核心优化功能，对非 Web3 用户形成准入障碍
2. 外部依赖单一：功能完全依赖 api.which-llm.com 的服务可用性，若服务端宕机或限流，Agent 将失去决策能力
3. 学习曲线陡峭：需理解 HTTP 402 支付流程、区块链交易确认、信用积分机制等复合概念
4. 约束灵活性有限：当前仅支持成本-质量二元约束，暂不支持延迟、碳足迹、地域合规等更细粒度要求
5. 无离线能力：必须联网调用 API，无法在内网或离线环境使用
6. 收益不确定性：信用积分价值和有效期未在文档中明确披露
适合的目标群体
- AI 应用开发者：需要为产品动态选择最优模型以降低运营成本
- 多模型编排平台：构建 Router 或 Gateway 时需要确定性选型逻辑
- 成本敏感型企业：有明确 AI 预算管控需求，追求性价比最大化
- Web3 原生团队：已具备加密钱包基础设施，对链上支付流程熟悉
- 自动化 Agent 开发者：需要可编程、可审计的模型决策能力
不适合：无加密货币经验、完全离线环境、或追求极致简化接入的用户。
使用风险
1. 性能风险：API 调用增加决策延迟，在高并发场景下可能成为瓶颈；建议缓存 decision_id 复用结果
2. 支付失败风险：链上交易可能因 gas 波动、网络拥堵失败，需实现幂等重试机制
3. 凭证泄露风险：WALLET_CREDENTIALS 为敏感凭证，若配置不当可能导致资金损失
4. 模型过时风险：API 返回的推荐基于 Which-LLM 内部评估，可能与实际模型版本迭代存在时差
5. 信用积分失效风险：未明确披露的有效期规则可能导致积累的积分无法使用
6. 合规边缘风险：尽管 Skill 本身合规，但加密支付环节可能触发部分地区金融监管要求
建议生产环境使用前，先在测试网验证完整支付-决策-上报流程，并建立本地降级策略应对 API 不可用情况。