# llm-router

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.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 160 установок · ★ 274 у репозитория
- Автор: curiositech
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/curiositech/some_claude_skills/tree/HEAD/.claude/skills/llm-router/SKILL.md
- Обновлён: 2026-10-30
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/llm-router

## Что делает

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.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add curiositech/some_claude_skills --skill llm-router -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/llm-router/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/llm-router/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add curiositech/some_claude_skills --skill llm-router -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/llm-router/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add curiositech/some_claude_skills --skill llm-router -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/llm-router/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install curiositech/some_claude_skills .claude/skills/llm-router
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/llm-router/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add curiositech/some_claude_skills --skill llm-router -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/curiositech/some_claude_skills --path .claude/skills/llm-router
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/llm-router/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add curiositech/some_claude_skills --skill llm-router -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/curiositech/some_claude_skills/tree/HEAD/.claude/skills/llm-router/SKILL.md

## Когда брать
- 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

## Похожие
- [lemonade-router-builder](https://affpapa.org/nevibecode/skills/lemonade-router-builder.md) — скилл · 1300 установок
- [cc10x-router-owned-harness](https://affpapa.org/nevibecode/plugins/cc10x-router-owned-harness.md) — плагин · ★ 167 у репозитория
- [cost-aware-llm-pipeline](https://affpapa.org/nevibecode/skills/cost-aware-llm-pipeline.md) — скилл · 6400 установок
- [llm-cost-optimization](https://affpapa.org/nevibecode/skills/llm-cost-optimization.md) — скилл · 370 установок
- [local-llm-router](https://affpapa.org/nevibecode/skills/local-llm-router.md) — скилл · ★ 301 у репозитория
- [llm-cost-optimizer](https://affpapa.org/nevibecode/skills/llm-cost-optimizer.md) — скилл · 73 установки

## Другие версии с тем же именем

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
