核心用法
Model Switcher 是一个智能模型调度技能，通过分析用户输入自动检测任务复杂度，在轻量级模型（haiku）与高性能模型（sonnet）之间无缝切换。用户可通过内置的中文触发词（如「分析」「重构」「架构」「优化」等）或显式声明来触发模型切换，无需手动配置。
该技能采用四层工作流：首先检查当前模型状态，然后解析用户消息中的关键词，接着执行必要的模型切换，最后向用户简要告知变更。技术实现上通过 session_status 工具调用，支持三种模式：切至 sonnet、切回 haiku 或恢复默认设置。
显著优点
1. 成本效率优化：避免对所有查询使用高性能模型，将 sonnet 保留给真正需要深度推理的任务
2. 响应速度提升：简单查询使用 haiku 可获得更快的首 token 响应
3. 无感知切换：自动检测减少用户认知负担，无需了解底层模型差异
4. 上下文感知：技能设计考虑对话连续性，复杂主题讨论期间保持 sonnet 不退化
潜在缺点与局限性
- 关键词误判：依赖有限的触发词列表，可能漏检边缘复杂任务或误判实际复杂度
- 切换延迟：模型变更可能引入 1-2 秒的网络/初始化开销
- 状态不透明：用户无法直接查看当前活跃模型，需依赖系统提示
- 中文场景局限：触发词仅覆盖中文，多语言用户可能体验不一致
适合人群
适合高频使用 Claude 且任务类型跨度大的开发者/知识工作者——例如既需要快速代码补全（haiku）又偶尔需要架构评审（sonnet）的技术团队。对成本敏感的企业用户尤具价值。
常规风险
- 任务复杂度评估偏差可能导致模型错配：简单任务用 sonnet 浪费 token，复杂任务用 haiku 输出质量不足
- 频繁切换会累积延迟并打断对话流
- 依赖特定 provider（
custom-kiro-cli-vipdump-eu-org）的模型别名，迁移性受限