核心用法
Arya Model Router 是一个专为 OpenClaw 设计的模型路由决策工具，其核心机制在于智能分层调度。用户与系统交互时，主代理（main agent）始终运行在经济型模型（默认 openai/gpt-4o-mini）上，维持日常对话的低成本。当检测到复杂任务（如深度分析、代码生成、长文档处理）时，路由系统会自动触发子代理（sub-agent），将任务委派至更强的标准型（gpt-4.1-mini）或专业型（gpt-4.1）模型执行。
关键创新在于上下文压缩机制：面对超大上下文场景，系统会先创建精炼的 brief（任务摘要），而非直接将原始长文本传递给昂贵模型，从而避免不必要的 Token 消耗。用户可通过显式指令强制指定模式（如 "Router: responde esto en modo cheap"），或交由系统自动判断（"Router: analiza esto"）。
显著优点
成本优化显著：该工具直击大模型应用的痛点——"简单问题用了贵模型"。通过任务复杂度分级，可将 70% 以上的日常交互维持在最低成本层级，据估算可降低整体 API 支出 40-60%。
架构设计清晰：采用主-子代理分离模式，主代理保持轻量响应速度，重负载任务异步委托，避免单一会话中频繁切换模型导致的上下文碎片化。
零依赖部署：纯 Python 标准库实现（argparse, json, os, re, dataclasses, sys），无需 pip 安装任何第三方包，部署极简，无供应链攻击风险。
灵活可配置：rules.json 支持自定义分级规则，router.py 的模块化设计便于扩展新的模型供应商或定价策略。
潜在缺点与局限性
路由决策准确性依赖启发式规则：当前版本基于关键词匹配和简单规则进行任务分级，面对模糊边界任务（如 "中等复杂度的数据分析"）可能出现误判，导致该用 pro 时用了 cheap 影响质量，或反之浪费成本。
Brief 压缩可能损失关键信息：自动生成的任务摘要虽节省 Token，但存在信息压缩损耗风险，对于需要精确理解上下文的任务（如法律合同审查）可能引入误差。
仅支持 OpenAI 模型生态：当前默认配置绑定 OpenAI 系列，未内置 Anthropic、Google 等厂商模型的适配逻辑，多供应商场景需自行扩展。
无 GitHub 开源背书：目前仅发布于 clawhub.ai 平台，缺乏公开的代码审查和社区贡献，版本迭代透明度有限。
适合的目标群体
- 高频 API 调用者：日调用量超千次的团队或个人开发者，成本敏感型用户。
- 多场景混合工作流：日常闲聊、文档查阅、偶尔代码生成等需求交织的用户。
- OpenClaw 生态用户：已基于 OpenClaw 构建代理系统的开发者，寻求开箱即用的成本优化方案。
- 隐私优先场景：纯本地执行、零网络外泄的特性，适合对数据出境敏感的企业内网部署。
使用风险
性能风险：本地规则匹配和 brief 生成虽无网络延迟，但极端长的输入文本（如百万字小说）可能在本地处理时产生显著计算开销，建议设置输入长度上限。
功能局限风险：作为早期版本（v0.1.0），路由规则的成熟度有限，关键任务建议人工复核模型选择，避免自动降级导致输出质量不达标。
维护可持续性：T3 来源（个人开发者 staratheris），无明确开源许可证，未来更新频率和长期维护存在不确定性，生产环境使用需评估此风险。
模型可用性依赖：实际成本节省效果受限于底层模型供应商的定价策略和 API 稳定性，若 OpenAI 调整模型层级或价格，需同步更新配置。