智能模型选择顾问 (Model Advisor)
概述
本技能根据任务类型、Token成本、响应速度等多维度，为用户推荐最适合的AI模型，实现效率、质量、成本的最优平衡。
核心能力
1. 任务类型检测
分析用户输入，自动识别任务类型：
| 任务类型 | 关键词/特征 | 优先级权重 |
|---|---|---|
| [Q] 量化交易分析 | "股票"、"选股"、"评分"、"回测"、"行情" | 质量 > 速度 > 成本 |
| [DEV] 代码编写/调试 | "代码"、"函数"、"调试"、"bug"、"实现" | 质量 > 速度 > 成本 |
| [DOC] 长文档处理 | "PDF"、"文档"、"报告"、"总结" | 长上下文 > 质量 > 成本 |
| [CHAT] 日常对话/Q&A | "什么是"、"解释"、"怎么"、"为什么" | 成本 > 速度 > 质量 |
| [PRV] 隐私敏感任务 | "本地"、"隐私"、"离线"、"敏感" | 本地模型优先 |
2. 模型推荐矩阵
| 模型 | 推理 | 代码 | 速度 | 成本 | 长上下文 | 多模态 |
|---|---|---|---|---|---|---|
| Hy3 preview | ★★★★★ | ★★★★ | ★★ | 高 | ★★★ | ❌ |
| GLM-5.1 | ★★★★★ | ★★★★ | ★★★ | 中 | ★★★★ | ❌ |
| Deepseek-V4-Pro | ★★★★★ | ★★★★★ | ★★ | 高 | ★★★ | ❌ |
| DeepSeek-V3.2 | ★★★★ | ★★★★★ | ★★★ | 中 | ★★★★ | ❌ |
| Kimi-K2.6 | ★★★★ | ★★★★ | ★★★ | 中 | ★★★★★ | ✅ |
| Kimi-K2.5 | ★★★ | ★★★ | ★★★★ | 低 | ★★★★★ | ✅ |
| GLM-5v-Turbo | ★★★ | ★★★ | ★★★ | 中 | ★★★ | ✅ |
| GLM-5.0-Turbo | ★★★ | ★★★★ | ★★★★ | 低 | ★★★ | ❌ |
| MiniMax-M2.7 | ★★★ | ★★★ | ★★★★ | 低 | ★★★ | ❌ |
| Deepseek-V4-Flash | ★★ | ★★★ | ★★★★★ | 极低 | ★★★ | ❌ |
| qwen2.5:7b(本地) | ★★ | ★★ | ★★★★ | 零 | ★★ | ❌ |
| llama3.2(本地) | ★★ | ★★ | ★★★★ | 零 | ★★ | ❌ |
2.5 Token 成本计算
成本等级定义
| 等级 | 描述 | 适用场景 |
|---|---|---|
| 零 | 本地模型，无API成本 | 隐私任务、大量重复任务 |
| 极低 | <¥0.001/1K tokens | 简单问答、快速查询 |
| 低 | ¥0.001-0.005/1K tokens | 日常对话、简单代码 |
| 中 | ¥0.005-0.01/1K tokens | 复杂代码、中等推理 |
| 高 | >¥0.01/1K tokens | 强推理、复杂分析 |
典型任务成本估算
假设单次任务平均消耗 2K input + 1K output = 3K tokens：
| 模型 | 成本等级 | 单次估算 | 100次/天 | 1000次/月 |
|---|---|---|---|---|
| Deepseek-V4-Flash | 极低 | ~¥0.003 | ¥0.3 | ¥3 |
| Kimi-K2.5 | 低 | ~¥0.015 | ¥1.5 | ¥15 |
| GLM-5.0-Turbo | 低 | ~¥0.015 | ¥1.5 | ¥15 |
| DeepSeek-V3.2 | 中 | ~¥0.03 | ¥3 | ¥30 |
| GLM-5.1 | 中 | ~¥0.03 | ¥3 | ¥30 |
| Deepseek-V4-Pro | 高 | ~¥0.06 | ¥6 | ¥60 |
| Hy3 preview | 高 | ~¥0.06 | ¥6 | ¥60 |
| 本地模型 | 零 | ¥0 | ¥0 | ¥0 |
成本优化建议
-
分层使用策略
- 简单任务 → Flash模型（成本最低）
- 中等任务 → Turbo模型（平衡）
- 复杂任务 → Pro模型（质量优先）
-
上下文管理
- 及时清理无关对话历史
- 避免重复发送大段文本
- 使用简洁的prompt
-
批量处理
- 相似任务批量处理
- 复用上下文，减少重复token消耗
-
本地模型使用
- 隐私敏感任务 → 本地模型
- 大量重复任务 → 本地模型
- 离线环境 → 本地模型
成本计算公式
总成本 = (Input Tokens × Input Price + Output Tokens × Output Price) × 次数
示例（Deepseek-V4-Pro）：
- Input: ¥0.014/1K tokens
- Output: ¥0.014/1K tokens
- 单次任务: 2K input + 1K output = 3K tokens
- 单次成本: (2 × 0.014 + 1 × 0.014) = ¥0.042
3. 任务类型 → 推荐模型映射
[Q] 量化交易分析
| 子任务 | 推荐模型 | 原因 |
|---|---|---|
| 股票评分、选股逻辑 | Deepseek-V4-Pro / Hy3 preview | 需要强推理能力 |
| 快速行情查询 | Deepseek-V4-Flash | 速度快，成本低 |
| 复杂策略分析 | Hy3 preview / GLM-5.1 | 最强推理能力 |
| 历史数据回测 | DeepSeek-V3.2 / Kimi-K2.6 | 代码+推理平衡 |
默认推荐：Deepseek-V4-Pro
[DEV] 代码编写/调试
| 子任务 | 推荐模型 | 原因 |
|---|---|---|
| Python量化代码 | DeepSeek-V3.2 | 代码能力强 |
| 复杂算法实现 | Deepseek-V4-Pro | 推理+代码 |
| 简单脚本 | Deepseek-V4-Flash | 快速低成本 |
| 调试/修复bug | DeepSeek-V3.2 | 代码理解好 |
默认推荐：DeepSeek-V3.2
[DOC] 长文档处理
| 子任务 | 推荐模型 | 原因 |
|---|---|---|
| PDF报告分析 | Kimi-K2.6 | 长上下文支持 |
| 多篇文档对比 | Kimi-K2.6 | 128K+ 上下文 |
| 快速摘要 | Deepseek-V4-Flash | 速度快 |
默认推荐：Kimi-K2.6
[CHAT] 日常对话/Q&A
| 子任务 | 推荐模型 | 原因 |
|---|---|---|
| 简单问答 | Deepseek-V4-Flash / Kimi-K2.5 | 低成本 |
| 解释概念 | GLM-5.0-Turbo | 平衡 |
| 多轮对话 | Kimi-K2.5 | 连贯性好 |
默认推荐：Deepseek-V4-Flash
[PRV] 隐私敏感任务
| 场景 | 推荐模型 |
|---|---|
| 本地文件处理 | qwen2.5:7b (本地) |
| 敏感数据分析 | qwen2.5:7b (本地) |
| 离线工作 | llama3.2:latest (本地) |
默认推荐：qwen2.5:7b
使用流程
步骤1：检测任务类型
分析用户请求，识别关键词：
IF 包含["股票","选股","评分","回测","行情","A股"] → 量化交易
ELIF 包含["代码","函数","调试","bug","实现","Python"] → 代码编写
ELIF 包含["PDF","文档","报告","总结","分析文档"] → 长文档处理
ELIF 包含["本地","隐私","离线","敏感"] → 隐私任务
ELSE → 日常对话
步骤2：应用推荐规则
根据检测到的任务类型，参考上方的「任务类型→推荐模型映射」表，选择最优模型。
步骤3：输出推荐结果
以以下格式输出推荐：
[ANALYZE] 任务类型检测：[检测到的任务类型]
[BEST] 推荐模型：[模型名称] ([模型ID])
[INFO] 推荐理由：[简要说明为什么推荐这个模型]
[COST] Token成本：[成本等级]
[CMD] 切换命令：/model [模型ID]
步骤4：记录用户反馈（可选）
如果用户接受了推荐或手动选择了其他模型，记录偏好用于优化未来的推荐。
自动化推荐触发词
主动触发场景（技能应自动执行）
当用户发起以下类型的新任务时，主动分析并推荐模型：
| 任务特征 | 检测关键词 | 动作 |
|---|---|---|
| 量化交易 | "股票"、"选股"、"评分"、"回测"、"行情"、"A股"、"交易" | 自动推荐推理型模型 |
| 代码编写 | "写代码"、"函数"、"实现"、"Python"、"脚本" | 自动推荐代码型模型 |
| 调试修复 | "调试"、"bug"、"修复"、"报错" | 自动推荐代码理解强的模型 |
| 文档处理 | "PDF"、"文档"、"报告"、"总结"、"分析文档" | 自动推荐长上下文模型 |
| 简单问答 | "什么是"、"解释"、"怎么"、"为什么"、"帮我" | 自动推荐低成本模型 |
| 隐私任务 | "本地"、"隐私"、"离线"、"敏感数据" | 自动推荐本地模型 |
显式触发词（用户明确询问）
当用户提到以下关键词时，触发模型推荐：
| 触发词 | 动作 |
|---|---|
| "用什么模型" | 分析当前任务并推荐 |
| "切换模型" | 显示可用模型列表+推荐 |
| "模型推荐" | 完整推荐流程 |
| "最优模型" | 根据任务类型推荐最优 |
| "当前模型" | 显示当前模型配置 |
| "模型列表" | 显示所有可用模型 |
日常任务中的自动应用
本技能应在以下日常场景主动应用：
- 会话开始：检测用户第一个任务，主动推荐最优模型
- 任务切换：检测到任务类型变化（从代码→文档），建议切换模型
- Token优化提醒：长对话时，主动建议切换到低成本模型
- 模型性能反馈：任务完成后，询问推荐是否满足需求
配置说明
用户偏好记录
在 C:\Users\huang\.workbuddy\memory\MEMORY.md 中记录用户模型偏好：
## 模型偏好
- 量化交易分析：偏好 Deepseek-V4-Pro（质量优先）
- 代码编写：偏好 DeepSeek-V3.2（平衡）
- 简单任务：偏好 Deepseek-V4-Flash（成本优先）
自定义规则
用户可修改 references/model_rules.md 来自定义推荐规则。
示例
示例1：量化交易任务
用户输入：
"帮我分析一下今天A股的强势股，给出评分和买入建议"
推荐输出：
[ANALYZE] 任务类型检测：量化交易分析
[BEST] 推荐模型：Deepseek-V4-Pro (deepseek-v4-pro)
[INFO] 推荐理由：股票评分和买入建议需要强推理能力，Deepseek-V4-Pro在量化分析任务上表现最佳
[COST] Token成本：高
[CMD] 切换命令：/model deepseek-v4-pro
是否切换到推荐模型？
示例2：代码编写任务
用户输入：
"帮我写一个Python函数，计算股票的技术指标MACD"
推荐输出：
[ANALYZE] 任务类型检测：代码编写
[BEST] 推荐模型：DeepSeek-V3.2 (deepseek-v3-2-volc)
[INFO] 推荐理由：DeepSeek-V3.2代码能力强，特别适合Python量化代码编写
[COST] Token成本：中
[CMD] 切换命令：/model deepseek-v3-2-volc
是否切换到推荐模型？
示例3：日常对话
用户输入：
"什么是MACD指标？怎么计算？"
推荐输出：
[ANALYZE] 任务类型检测：日常对话/Q&A
[BEST] 推荐模型：Deepseek-V4-Flash (deepseek-v4-flash)
[INFO] 推荐理由：简单的概念解释，使用低成本模型即可
[COST] Token成本：极低
[CMD] 切换命令：/model deepseek-v4-flash
是否切换到推荐模型？
注意事项
- Auto模式：如果用户没有特殊需求，建议保持Auto模式，系统会自动选择
- 本地模型前提：使用本地模型需要已安装Ollama且模型已下载
- 成本敏感：对于高频简单任务，优先推荐Flash模型节省Token
- 质量优先：对于量化交易等关键任务，优先推荐Pro模型保证质量
资源文件
references/model_rules.md
模型选择规则详细参考，包括：
- 任务检测关键词库
- 模型能力评分规则
- 推荐降级策略
- 成本计算公式
- 用户偏好覆盖机制