什么是 动态模型选择器？

动态模型选择器是一款高性能实用工具，旨在简化开发者与多个 AI 模型交互的方式。通过分析用户查询的复杂性和性质，该技能会自动识别任务是需要高推理能力，还是可以由更快速、更具成本效益的替代方案处理。这确保了您在不超量配置资源或产生不必要费用的情况下获得最佳结果。

作为更广泛的 Openclaw Skills 生态系统的一部分，此工具无缝集成到 GitHub Copilot 工作流中。它作为一个决策层，通过将合适的工具与合适的任务相匹配（从简单的代码片段到复杂的架构分析），帮助维持高生产力。

下载入口:https://github.com/openclaw/skills/tree/main/skills/mpelissari/dynamic-model-selector

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

动态模型选择器 应用场景

• 通过将简单查询路由到免费或低成本模型来平衡 API 成本。
• 确保高推理任务由 Claude 3.5 Sonnet 或 GPT-4o 等顶尖模型处理。
• 为专门的生成任务自动选择代码优化模型。
• 通过对基础对话和解释使用更快的模型来缩短响应时间。

1. 用户在系统界面输入查询或任务描述。
2. 内部分类引擎分析提示词的复杂度、领域和特定技术要求。
3. 技能检查可用模型的可用性以及当前的速率限制或成本约束。
4. 生成建议，推荐最佳模型（例如：代码使用 grok-code-fast-1，推理使用 gpt-4o）。
5. 系统将查询路由到选定的模型，或提示用户进行最终确认。

动态模型选择器 配置指南

克隆仓库并确保您的环境已配置 GitHub Copilot 访问权限。您可以使用以下命令初始化模型分类引擎：

# 进入技能目录
cd skills/dynamic-model-selector

# 运行分类脚本测试
python3 scripts/classify_task.py --query "Explain quantum computing"

查看 references/models.md 文件，确认您的特定账户层级启用了哪些模型。

动态模型选择器 数据架构与分类体系

该技能通过专用脚本和 Markdown 参考表组织其逻辑，以确保决策过程的透明度。

name: dynamic-model-selector
description: Dynamically select the best AI model for a task based on complexity, cost, and availability in GitHub Copilot. Use when deciding between free/paid models, or when you want automatic model routing based on query analysis.

Dynamic Model Selector

Overview

This skill analyzes user queries to recommend the optimal AI model from available GitHub Copilot options, balancing performance, cost, and task requirements.

How to Use

1. Provide the user query or task description.
2. Run the classification script to analyze complexity.
3. Choose the suggested model or adjust based on preferences.

Classification Criteria

• Simple tasks (short responses, basic chat): Use faster, free models like grok-code-fast-1.
• Complex reasoning (analysis, multi-step): Use advanced models like gpt-4o or claude-3.5-sonnet.
• Code generation: Prefer code-optimized models.
• Cost sensitivity: Favor free models when possible.

Example Usage

For a query like "Explain quantum computing": Classify as medium complexity -> Recommend gpt-4o.

For "Write a Python function to sort a list": Classify as code task -> Recommend grok-code-fast-1.

Resources

scripts/

• classify_task.py: Analyzes the query and outputs model recommendation.

references/

• models.md: Detailed list of available models, pros/cons, costs.