核心用法
Model Router 是一款多提供商AI模型智能路由系统，核心工作流程分为三步：首先通过交互式配置向导完成多提供商API密钥的安全录入与任务-模型映射设置；然后使用任务分类器分析任务描述，获得带置信度评分的模型推荐；最后通过 sessions_spawn 命令将任务路由至推荐模型执行。系统支持6大主流提供商（Anthropic、OpenAI、Gemini、Moonshot、Z.ai、GLM），覆盖从简单查询到复杂推理的全场景需求。
显著优点
成本优化能力突出：提供激进、平衡、质量三档优化策略，激进模式下可节省50-90%成本，通过智能降级将简单任务路由至低价模型（如glm-4.5-air）。多模态与长上下文支持：Gemini 1.5 Pro支持200万token超长上下文，适合大规模文档分析。中文场景优化：内置Moonshot和GLM提供商，对中文任务有专门优化。安全设计完善：API密钥采用600权限文件存储，配合getpass隐藏输入，实现本地安全隔离。渐进式降级策略：支持先尝试低价模型、失败后再升级至高端模型的工作流，兼顾成本与成功率。
潜在缺点与局限性
配置门槛较高：首次使用需逐一配置多个提供商的API密钥，对新手不够友好。任务分类依赖关键词匹配：当前分类器基于简单规则而非语义理解，复杂任务可能误判。提供商覆盖有限：未覆盖Azure OpenAI、AWS Bedrock等企业级渠道，以及Cohere、Mistral等新兴模型。成本监控缺失：虽强调成本优化，但缺乏实时用量追踪与预算告警功能。模型版本更新滞后：需手动运行向导更新模型列表，无法自动同步提供商新模型。
适合的目标群体
多模型重度用户：同时使用多个AI提供商、需要灵活切换的技术团队。成本敏感型开发者：个人开发者或初创公司，希望在保证质量前提下控制API支出。中文内容创作者：需要优化中文处理成本与效果的内容团队。长文档处理需求者：法律、科研、金融等需分析超长文本的专业领域用户。自动化工作流构建者：希望通过脚本批量路由任务、实现并行处理的工程师。
使用风险
密钥管理风险：虽文件权限为600，但若用户主目录被入侵或备份至云端，密钥仍可能泄露。模型可用性依赖：路由决策基于本地配置，若推荐模型服务宕机或额度耗尽，需手动干预切换。版本兼容性问题：模型名称随提供商更新可能变化（如claude-sonnet-4-5），配置需定期维护。性能瓶颈：任务分类为本地Python脚本，高频调用时启动开销明显，建议批量处理而非逐条分类。策略误配风险：激进模式下关键任务可能被错误路由至能力不足模型，导致输出质量下降需重试，反而增加成本。