（1295期）model-pyramid – AI模型智能选型与成本优化

AI模型智能选型与成本优化 Anthropic官方Claude Code团队发布的模型选型框架，基于能力缺口与完备性缺口双轴评估，为子代理分配合适的模型与effort等级，实现性能与成本的最优平衡。 使用说明 核心用法 model-pyramid 是一套用于为会话及每个子代理选择合适模型和effort等级的决策框架。用户通过在子代理创建时声明 $model-pyramid 触发该技能，系统将根据任务特征自动推荐配置。核心操作围绕两个维度展开：能力缺口（Claude有能力但做错了）→ 更换模型；完备性缺口（漏读文件、跳过测试）→ 调整effort等级。 该技能强调right-sizing原则——仅为工作所需分配资源，而非简单的"选便宜模型"。使用时需为每个子代理单独决策，同一批次的混合任务应分别评估。技能提供机械校验脚本 check_plan.mjs 用于验证配置合法性，但不替代人的判断。 显著优点 双轴决策框架清晰：将常见的"选模型困惑"拆解为能力与完备性两个可观测维度，避免凭直觉选型。 与官方文档深度绑定：基于Claude 5系列（Fable 5/Opus 5/Sonnet 5/Haiku 4.5）的能力矩阵设计，所有数值均有文档出处，非经验猜测。 丰富的成本优化手段：除模型降级外，还提供advisor顾问模式、opusplan分层执行、effort降级等更安全的降本杠杆，避免一刀切的模型降级。 缓存感知设计：明确警告模型/effort变更会重置prompt缓存，指导用户跨工作负载而非会话内调整参数。 机械校验支持：附带Node脚本可自动检测配置冲突（如不存在的effort等级、max_tokens未提升、Opus 5的thinking冲突等）。 潜在缺点与局限性 时效性强：所有数值标注为"dated"，模型换代后需重新验证，存在维护负担。 学习曲线陡峭：涉及Fable/Opus/Sonnet/Haiku四级模型、low/medium/high/xhigh/max五级effort、advisor/orchestration/cache等交叉概念，新手难以快速掌握。 不直接执行：纯建议性技能，不自动spawn代理或修改配置，需要用户手动应用推荐。 Claude生态限定：紧密绑定Anthropic模型家族，对其他模型（GPT、Gemini等）无直接指导价值。 适合的目标群体 Claude Code重度用户：需要频繁创建子代理处理复杂多步骤任务的开发者。 AI工程团队：负责设计Agent编排策略、优化token成本的技术负责人。 追求确定性输出的场景：科学计算、代码审查、长时自治任务等对质量敏感的应用。 使用风险 配置沉默降级：不支持的effort等级会静默回退到最高支持等级，可能导致预期外的成本或质量变化。 缓存失效成本：会话中频繁切换模型/effort会不断重置prompt缓存，在长会话中造成显著的token浪费。 过度优化陷阱：max effort在结构化输出任务上可能引发过度思考（overthinking），且成本收益比通常不佳。 依赖维护成本：每次Claude模型换代后需重新跑评估（evals），历史配置不能简单复用。 Opus 5特殊限制：xhigh/max effort下无法禁用thinking，若代码强制设置thinking=false将返回400错误。 原始说明 Right-size MODEL + EFFORT for the session and for each subagent at fan-out time, and decide whether to attach an advisor. Two axes: capability gap → change model; thoroughness gap → change effort. Use when spawning / fanning out / delegating subagents, or when asked which model or effort something should get: "$model-pyramid". NOT API price shopping.