核心用法
Model Switcher 是一个自动化模型路由技能，通过关键词检测判断任务复杂度，在轻量模型（haiku）与强力模型（sonnet）之间智能切换。用户无需手动指定模型，系统根据中文指令中的触发词（如"分析"、"重构"、"架构"等）自动决策，并调用 session_status 工具完成切换。
显著优点
1. 零摩擦体验：无需用户理解模型差异，降低认知负担
2. 成本与速度优化：简单任务用轻量模型，降低延迟和token消耗
3. 上下文感知：支持任务批处理，避免频繁切换带来的中断
4. 透明可控：每次切换主动告知用户，保持可解释性
潜在缺点与局限性
- 关键词依赖：误判可能导致模型错配（如闲聊中提及"分析"一词）
- 无学习机制：静态规则无法根据用户反馈优化
- 双模型限制：仅支持预设的 haiku/sonnet 二元选择，无法调用其他模型
- 状态盲区：
session_status工具依赖外部 session 实现，若接口延迟或失败可能中断工作流
适合人群
- 高频使用 AI 辅助编程/写作的开发者
- 对响应速度敏感但偶尔需要深度分析的用户
- 希望通过单一入口统一处理简单与复杂任务的场景
常规风险
- 误判导致成本浪费：复杂关键词误触发 sonnet，增加不必要的 API 开销
- 切换抖动：用户连续发送不同复杂度消息时，频繁模型切换影响体验
- 隐私泄露：
session_status调用可能向外部服务暴露会话元数据
使用建议
建议在 OpenClaw 等支持多模型会话的框架中部署，配合日志埋点持续优化关键词命中率。