К основному содержанию
скилл CX Codex

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

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add curiositech/some_claude_skills --skill llm-router -a claude-code
Открыть на GitHub

Что 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-code

2Вручную: положить файлы

~/.claude/skills/llm-router/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/llm-router/

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.

llm-router jamesrochabrun Скилл llm-router отправляет запросы в OpenAI, Grok, Groq, DeepSeek или OpenRouter через SwiftOpenAI-CLI. Работает в режиме агента, поддерживает выбор модели и MCP-инструменты. CX Codex +1 149установок lemonade-router-builder amd Скилл lemonade-router-builder для Claude Code превращает текстовое описание маршрутизации запросов в валидный JSON политики collection.router для Lemonade Server. Генерирует конфиг без обращения к серверу. CX Codex +1 1 300установок cc10x-router-owned-harness romiluz13 Плагин cc10x-router-owned-harness для Claude Code, который оборачивает запросы в цикл из роутера, субагентов и скиллов. Запускается на каждом обращении к агенту и пишет состояние рабочих процессов на диск, чтобы они переживали compaction. ★ 167звёзд репо cost-aware-llm-pipeline affaan-m Скилл cost-aware-llm-pipeline для Claude Code маршрутизирует простые задачи к дешёвым моделям, отслеживает расходы на API и кэширует промпты, сохраняя качество на сложных запросах. CX Codex +1 6 400установок llm-cost-optimization devops-skills Скилл llm-cost-optimization для сокращения расходов на LLM API: кеширование, выбор модели под задачу, батчинг и расчёт выгоды от self-hosting. CX Codex +1 370установок local-llm-router hoodini Скилл local-llm-router направляет запросы к локальным нейросетям в закрытых контурах. Подключает Serena MCP для работы с кодом без внешнего интернета. CX Codex +1 ★ 301звёзд репо llm-cost-optimizer Alireza Rezvani Скилл llm-cost-optimizer находит утечки токенов и помогает снизить расходы на LLM API без потери качества ответов. Пригодится при росте счетов за модели или перед запуском новых ИИ-эндпоинтов. CX Codex +1 73установок

Из того же набора180

Весь набор →
code-architecture Скилл code-architecture с паттернами организации кода внутри одного приложения: чистая и гексагональная архитектура, структура по фичам, инверсия зависимостей и границы модулей. CX Codex +1 169установок design-system-documenter Скилл design-system-documenter превращает сырые дизайн-токены в готовую документацию со справочными таблицами, правилами использования и контрастностью по WCAG. CX Codex +1 165установок win31-audio-design Скилл win31-audio-design для озвучки интерфейсов в духе Windows 3.1: 8-битные звуки, Web Audio API и тактильные отклики для веб- и мобильных приложений. CX Codex +1 165установок human-centered-design-fundamentals Скилл human-centered-design-fundamentals для Claude Code разбирает интерфейсы с точки зрения восприятия людьми действий и состояния системы. Помогает находить причины ошибок и оценивать понятность продукта. CX Codex +1 161установок systems-thinking Скилл systems-thinking для Claude Code разбирает сложные системы через запасы, потоки и петли обратной связи. Он подключается к задачам с повторяющимися проблемами и непредвиденными последствиями решений. CX Codex +1 160установок hiring-manager-deep-dive Скилл hiring-manager-deep-dive помогает готовиться к интервью с hiring manager на уровне Staff+ и разбирать примеры проектов через масштаб влияния, лидерство и стратегические решения. CX Codex +1 160установок design-accessibility-auditor Скилл design-accessibility-auditor проверяет дизайны, палитры и компоненты на соответствие WCAG 2.1: контраст, размеры тач-таргетов, индикаторы фокуса и поддержку скринридеров. CX Codex +1 157установок pixel-art-scaler Скилл pixel-art-scaler для Claude Code и пяти других платформ увеличивает пиксель-арт через алгоритмы EPX/Scale2x, hq2x/hq4x и xBR — без AI и без размытия. Каждый алгоритм добавляет только валидные субпиксели через распознавание паттернов. CX Codex +1 156установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой