Save Money

核心用法

save-money 是一套智能路由规则，让 AI Agent 默认使用便宜的轻量模型（Claude Haiku / GPT-4o-mini / Gemini Flash），仅在侦测到复杂任务时才自动调用更强的模型（Claude Sonnet / GPT-4o / Gemini Pro）。

执行逻辑三步走：
1. 分类优先 — 收到任何请求先判断是否触发「升級条件」
2. 即时升級 — 符合任一触发条件，立即调用 sessions_spawn() 转发给强模型，当前模型不尝试作答
3. 降级回省 — 对话若已升級但后续问题变简单，主动切回便宜模型

升級触发清单涵盖： 分析评估、策略規劃、长文写作、程式生成、多步推理、长文档摘要、专业翻译、创意写作、结构化输出等九大类。同时提供多语言（英/中/日/韩/德）的实例对照表，便于快速判断。

省钱双保险：

• 轻量模型响应保持极简，减少输出 token
• 避免「一旦升級就永久停留」的浪费，支持动态降级

---

显著优点

1. 成本效益显著：官方宣称可省 50%+ API 费用，对高频调用场景尤其关键
2. 规则透明可预期：触发条件清单化、多语言实例化，开发者与终端用户都能理解何时会升級
3. 跨平台移植性强：提供 Claude / OpenAI / Google 三家的模型对照表，易于迁移
4. 人机协作友好：「30 秒专注思考法则」让升級决策符合人类直觉

潜在缺点与局限

1. 分类误判风险：边界案例（如「稍长的邮件但内容简单」）可能过度升級或该升未升
2. 延迟成本：sessions_spawn 调用产生额外网络往返，对极短对话可能「省下的钱抵不过延迟」
3. 平台依赖性：技能撰写以特定 Agent 架构为前提，非标准 MCP 或通用协议
4. 维护负担：模型版本号（如 anthropic/claude-sonnet-4-20250514）会过期，需持续更新

适合人群

• 自建 AI Agent 或客服系统的开发者，追求成本精细化管理
• 多语言团队需要可落地的「复杂度分级」规则
• Claude 生态用户希望无缝切换至其他 provider

常规风险

• 误判导致用户体验波动：过度省钱可能让本该升級的任务得到草率回答
• 供应商绑定：技能深度依赖特定平台的 sessions_spawn 机制，迁移需改写调用逻辑
• 安全报告缺失：提供的安全认证报告为占位文本，实际部署前需自行评估代码注入、提示注入等风险

核心功能

Save Money 是一套模型智能路由决策框架，通过提示词工程让 AI Agent 自动判断任务复杂度，在低成本模型（Claude Haiku）与高性能模型（Claude Sonnet）之间动态切换，实现 API 成本优化目标。

核心用法

1. 分类优先原则：任何响应生成前，先检查是否触发升级条件
2. 30 秒规则：若人类需要超过 30 秒专注思考才能完成的任务，必须升级
3. 明确触发清单：涵盖分析评估、规划策略、长文写作、代码生成、多步推理、长翻译、创意写作、结构化输出等 8 大场景
4. 降级回切机制：复杂任务完成后，后续简单对话自动切回便宜模型

显著优点

• 成本效益明确：官方宣称可节省 50%+ 费用，逻辑合理（Haiku 定价约为 Sonnet 的 1/10）
• 决策框架清晰：将模糊的"任务复杂度"转化为可操作的检查清单
• 多语言示例丰富：提供英、繁中、日、韩、德五种语言的实际对话范例
• 零技术门槛：纯 Markdown 文档型 Skill，无需安装或配置
• 供应商可迁移：提供 OpenAI、Google 模型的对应替代方案

潜在局限

• 依赖自我约束：需要 Agent 严格遵循提示词规则，实际执行存在偏差风险
• 边界判断模糊："30 秒思考""3 段以上"等标准存在主观解释空间
• 无法强制降级：需依赖对话历史判断，跨会话场景可能失效
• Claude 生态限定：原生为 Anthropic 模型设计，其他平台需手动映射

适合人群

• 高频使用 Claude API 的开发者与团队
• 需要平衡成本与质量的 AI 应用产品经理
• 构建多 Agent 系统的架构师
• 对 token 消耗敏感的长期用户

使用风险

• 过度降级风险：Agent 可能误判复杂度，用 Haiku 硬答导致输出质量下降
• 延迟累积：频繁调用 sessions_spawn 可能引入额外网络延迟
• 上下文割裂：模型切换可能导致会话状态丢失
• 功能无保障：作为文档型 Skill，无法强制执行路由决策，实际效果取决于 Agent 实现