llm-router · curiositech — скилл для Claude Code: выбор модели LLM под задачу и бюджет
Скилл llm-router выбирает модель и провайдера под конкретную задачу: сложность, бюджет, требования к качеству. Дешёвые задачи уходят на Haiku, сложные — на Sonnet или Opus.
MIT 160 установок ★ 274 обновлён 2026-10-30
npx skills add curiositech/some_claude_skills --skill llm-router -a claude-codeЧто делает llm-router
Скилл помогает решить, какую модель вызывать для каждого узла агентного пайплайна. Классификация, валидация схемы, форматирование и извлечение данных уходят на Tier 1: Haiku или GPT-4o-mini, примерно $0.001 за вызов. Написание кода, документации и ревью — Tier 2: Sonnet или GPT-4o, около $0.01. Декомпозиция неоднозначных задач, проектирование архитектуры и оценка качества — Tier 3: Opus или o1, примерно $0.10.
Внутри три стратегии маршрутизации. Статическое назначение по типу задачи на этапе проектирования DAG даёт 60–70% возможной экономии. Каскадный подход пробует дешёвую модель и эскалирует, если качество ниже порога — это добавляет около секунды задержки, но экономит 50–80% на узлах, где дешёвая модель справляется. Адаптивная стратегия записывает успехи и провалы по типам задач и со временем подстраивает выбор: по оценке из README, после примерно сотни запусков экономия достигает 75–85%.
Есть ограничения. Скилл не для промпт-инжиниринга — для этого нужен отдельный prompt-engineer, не для файнтюна и не для сравнения архитектур моделей. Единственный разрешённый инструмент — Read, так что сам он ничего не запускает и не пишет. Автор утверждает, что умная маршрутизация экономит 45–85% бюджета при сохранении 95%+ качества топовой модели — к этим цифрам стоит отнестись как к оценке из README, а не гарантии.
Какие задачи решает
- выбрать модель под конкретную задачу, а не гонять всё через Opus
- сократить счёт за API в мультиагентной системе
- назначить модели узлам DAG при проектировании пайплайна
- построить каскад «сначала дешёвая модель, потом дороже»
- накопить статистику успехов по типам задач и подстроить маршруты
Примеры запросов агенту
- Выбери модель для классификации входящих запросов с низким бюджетом
- Какую модель поставить на узел ревью кода в DAG?
- Собери каскадную маршрутизацию для суммаризации текстов
Как установить llm-router
1Через Skills CLI (Vercel)
npx skills add curiositech/some_claude_skills --skill llm-router -a claude-code2Вручную: положить файлы
~/.claude/skills/llm-router/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/llm-router/
1Через Skills CLI (Vercel)
npx skills add curiositech/some_claude_skills --skill llm-router -a codex2Вручную: положить файлы
.agents/skills/llm-router/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add curiositech/some_claude_skills --skill llm-router -a cursor2Вручную: положить файлы
.cursor/skills/llm-router/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install curiositech/some_claude_skills .claude/skills/llm-router2Вручную: положить файлы
.github/skills/llm-router/SKILL.md1Через Skills CLI (Vercel)
npx skills add curiositech/some_claude_skills --skill llm-router -a gemini-cli2Командой платформы
gemini skills install https://github.com/curiositech/some_claude_skills --path .claude/skills/llm-routerВручную: положить файлы
.devin/skills/llm-router/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add curiositech/some_claude_skills --skill llm-router -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о llm-router
Как установить llm-router в Claude Code?
Выполните npx skills add curiositech/some_claude_skills --skill llm-router -a claude-code. Скилл появится в ~/.claude/skills/llm-router/SKILL.md.
Что делает llm-router?
Подбирает модель LLM и провайдера под задачу: классификация и извлечение данных уходят на Haiku или GPT-4o-mini, написание кода — на Sonnet или GPT-4o, сложное рассуждение — на Opus или o1.
Когда llm-router не подходит?
Не для промпт-инжиниринга — берите prompt-engineer, не для файнтюна моделей и не для академического сравнения архитектур. Инструмент ограничен Read, поэтому сам он ничего не исполняет.
Исходный текст
SKILL.md · MIT
---
name: llm-router
description: Selects the optimal LLM model and provider for each task based on complexity, cost budget, and capability requirements. Routes cheap tasks to Haiku/GPT-4o-mini and complex tasks to Sonnet/Opus/o1.
Use when deciding which model to call, optimizing LLM costs, or building multi-model agent systems. Activate on "which model", "model selection", "route to model", "LLM cost", "model routing", "cheap
vs expensive model". NOT for prompt engineering (use prompt-engineer), model fine-tuning, or training custom models.
allowed-tools: Read
argument-hint: '[task-description] [budget: low|medium|high]'
metadata:
category: AI & Machine Learning
tags:
- llm
- router
- which-model
- model-selection
- route-to-model
pairs-with:
- skill: cost-optimizer
reason: Model routing is the primary mechanism for implementing cost optimization decisions
- skill: cost-accrual-tracker
reason: Real-time cost data informs routing decisions to stay within budget constraints
- skill: prompt-engineer
reason: Prompt complexity analysis determines which model tier the router should select
---
# LLM Router
Selects the optimal LLM model for each task. The single biggest cost lever in multi-agent systems — intelligent routing saves 45-85% while maintaining 95%+ of top-model quality.
---
## When to Use
✅ **Use for**:
- Deciding which model to call for a specific task
- Assigning models to DAG nodes in agent workflows
- Optimizing LLM API costs across a system
- Building cascading try-cheap-first patterns
❌ **NOT for**:
- Prompt engineering (use `prompt-engineer`)
- Model fine-tuning or training
- Comparing model architectures (academic research)
---
## Routing Decision Tree
```mermaid
flowchart TD
A{Task type?} -->|Classify / validate / format / extract| T1["Tier 1: Haiku, GPT-4o-mini (~$0.001)"]
A -->|Write / implement / review / synthesize| T2["Tier 2: Sonnet, GPT-4o (~$0.01)"]
A -->|Reason / architect / judge / decompose| T3["Tier 3: Opus, o1 (~$0.10)"]
T1 --> Q1{Quality sufficient?}
Q1 -->|Yes| Done1[Use cheap model]
Q1 -->|No| T2
T2 --> Q2{Quality sufficient?}
Q2 -->|Yes| Done2[Use balanced model]
Q2 -->|No| T3
```
---
## Tier Assignment Table
| Task Type | Tier | Models | Cost/Call | Why This Tier |
|-----------|------|--------|-----------|---------------|
| Classify input type | 1 | Haiku, GPT-4o-mini | ~$0.001 | Deterministic categorization |
| Validate schema/format | 1 | Haiku, GPT-4o-mini | ~$0.001 | Mechanical checking |
| Format output / template | 1 | Haiku, GPT-4o-mini | ~$0.001 | Structured transformation |
| Extract structured data | 1 | Haiku, GPT-4o-mini | ~$0.001 | Pattern matching |
| Summarize text | 1-2 | Haiku → Sonnet | ~$0.001-0.01 | Short summaries: Haiku; nuanced: Sonnet |
| Write content/docs | 2 | Sonnet, GPT-4o | ~$0.01 | Creative quality matters |
| Implement code | 2 | Sonnet, GPT-4o | ~$0.01 | Correctness + style |
| Review code/diffs | 2 | Sonnet, GPT-4o | ~$0.01 | Needs judgment, not just pattern matching |
| Research synthesis | 2 | Sonnet, GPT-4o | ~$0.01 | Multi-source reasoning |
| Decompose ambiguous problem | 3 | Opus, o1 | ~$0.10 | Requires deep understanding |
| Design architecture | 3 | Opus, o1 | ~$0.10 | Complex system reasoning |
| Judge output quality | 3 | Opus, o1 | ~$0.10 | Meta-reasoning about quality |
| Plan multi-step strategy | 3 | Opus, o1 | ~$0.10 | Long-horizon planning |
---
## Three Routing Strategies
### Strategy 1: Static Tier Assignment (Start Here)
Assign model by task type at DAG design time. No runtime logic. Gets 60-70% of possible savings.
```yaml
nodes:
- id: classify
model: claude-haiku-4-5 # Tier 1: $0.001
- id: implement
model: claude-sonnet-4-5 # Tier 2: $0.01
- id: evaluate
model: claude-opus-4-5 # Tier 3: $0.10
```
### Strategy 2: Cascading (Try Cheap First)
Try the cheap model; if quality is below threshold, escalate. Adds ~1s latency but saves 50-80% on nodes where cheap succeeds.
```
1. Execute with Tier 1 model
2. Quick quality check (also Tier 1 — costs ~$0.001)
3. If quality ≥ threshold → done
4. If quality < threshold → re-execute with Tier 2
```
Best for nodes where you're genuinely unsure which tier is needed.
### Strategy 3: Adaptive (Learn from History)
Record success/failure per task type per model. Over time, the router learns:
- "Classification nodes always succeed on Haiku" → stay cheap
- "Code review nodes fail on Haiku 40% of the time" → upgrade to Sonnet
- "Architecture nodes succeed on Sonnet 90% of the time" → don't need Opus
Gets 75-85% savings after ~100 executions of training data.
---
## Provider Selection
Once model tier is chosen, select the provider:
| Model Class | Provider Options | Selection Criteria |
|------------|-----------------|-------------------|
| Haiku-class | Anthropic, AWS Bedrock | Latency, regional availability |
| Sonnet-class | Anthropic, AWS Bedrock, GCP Vertex | Cost, rate limits |
| Opus-class | Anthropic | Only provider |
| GPT-4o-class | OpenAI, Azure OpenAI | Rate limits, compliance |
| Open-source | Ollama (local), Together.ai, Fireworks | Cost ($0), latency, GPU availability |
---
## Cost Impact Example
10-node DAG, "refactor a codebase":
| Strategy | Mix | Cost | Savings |
|----------|-----|------|---------|
| All Opus | 10× $0.10 | $1.00 | — |
| All Sonnet | 10× $0.01 | $0.10 | 90% |
| Static tiers | 4× Haiku + 4× Sonnet + 2× Opus | $0.24 | 76% |
| Cascading | 6× Haiku + 3× Sonnet + 1× Opus | $0.14 | 86% |
| Adaptive (trained) | Dynamic | ~$0.08 | 92% |
---
## Anti-Patterns
### Always Use the Best Model
**Wrong**: Route everything to Opus/o1 "for quality."
**Reality**: 60%+ of typical DAG nodes are classification, validation, or formatting — tasks where Haiku performs identically to Opus. You're burning money.
### Always Use the Cheapest Model
**Wrong**: Route everything to Haiku "for cost."
**Reality**: Complex reasoning, architecture design, and quality judgment genuinely need stronger models. Haiku will produce plausible-looking but subtly wrong output on hard tasks.
### Ignoring Latency
**Wrong**: Only optimizing for cost, ignoring that Opus takes 5-10x longer than Haiku.
**Reality**: In a 10-node DAG, model choice affects total execution time as much as cost. Route time-critical paths to faster models.
### No Feedback Loop
**Wrong**: Setting model tiers once and never adjusting.
**Reality**: As models improve (Haiku gets smarter every generation), tasks that needed Sonnet last month may work on Haiku today. Record outcomes and adapt.
© curiositech · MIT · curiositech/some_claude_skills
Похожие скиллы
Все скиллы по теме «Настройка агента: память, контекст, субагенты» →Сначала — llm-router от других авторов.