（6367期）Delegate – 智能任务路由，分层降本增效

智能任务路由，分层降本增效 通过智能模型分层与任务路由，将复杂工作拆解为低成本子代理并行执行，实现效率与成本的最优平衡 使用说明 核心用法 Delegate 是一套系统化的任务委托框架，核心判断准则是：当子代理执行成本低于亲自处理成本时，即触发委托。该技能通过三层模型架构（Small/Medium/Large）实现精细化成本控制，每层对应不同的任务复杂度与价格区间。 模型分层策略：Small 层（~$0.25/1M tokens）适用于搜索、摘要、格式化等轻量任务；Medium 层（~$3/1M）处理代码生成、分析综合；Large 层（~$15/1M）保留给架构设计与复杂推理。关键原则是从最小层级起步，仅在质量不达标时逐级升级。 标准化委托流程：每次 spawn 必须包含五要素——单一明确的 TASK、显式的 MODEL 选择、精简的 CONTEXT（禁止携带完整历史）、清晰的 OUTPUT 格式定义，以及 DONE 完成信号机制。配合 templates.md 提供的模板可复制执行。 显著优点 成本效益最大化：通过任务分层与模型匹配，避免对简单任务使用昂贵大模型 并行处理潜力：子代理机制支持多任务并行，理论上可线性扩展处理能力 质量保障机制：内置四级验证体系（代码测试、文件存在性、数据抽检、来源确认），杜绝"假完成" 弹性容错设计：四级错误恢复策略（超时重试、格式重试、层级升级、失败熔断），系统鲁棒性强 局限性与风险 结构性依赖：重度依赖外部 templates.md 和 errors.md 文件，若缺失则实操性骤降；成本估算基于 2024 年定价，模型迭代可能导致偏差。 代理协调开销：子代理间通信、状态同步、结果聚合均产生隐性成本，简单任务反而可能"委托亏损"。 验证盲区：Spot-check 仅抽查 2-3 项，存在系统性遗漏风险；未提供代码自动测试的具体工具链。 适合人群 高频处理多步骤复杂任务的专业用户 对 API 成本敏感、需精细化预算控制的企业场景 具备一定系统工程思维，能接受"先设计再执行"模式的用户 常规风险 委托边界误判：快速任务（<30 秒）或需持续对话上下文的任务被错误委托，导致效率反降 层级升级失控：复杂任务可能触发 Small→Medium→Large 的链式升级，最终成本超预期 子代理雪崩：未设置并发上限时，大规模并行 spawn 可能触发服务商速率限制 原始说明 Route tasks to sub-agents with optimal model selection, error recovery, and result verification.