什么是 LLM Council Router？

LLM Council Router 是一款复杂的路由引擎，旨在消除模型选择过程中的盲目尝试。通过利用数千次同行评审委员会的评议数据，该工具可以针对任何特定查询识别出性能最佳的大语言模型。它为开发人员提供了一个基于数据的推荐引擎，确保任务始终由目前能力最强的模型处理。

作为 Openclaw Skills 生态系统的一部分，该工具充当智能中间件层。它不仅仅是猜测哪个模型更好，而是通过分析真实的评估数据来返回特定的模型 ID、相关性分数和置信度，从而在复杂的 AI 工作流中实现高精度的自动化。

下载入口:https://github.com/openclaw/skills/tree/main/skills/ashtiwariasu/llmcouncil-router

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。

LLM Council Router 应用场景

• 为专业任务（如量子物理学解释或复杂的编码挑战）选择最佳模型。
• 在多智能体系统中实施动态调度，以确保每个子任务都能获得最高质量的输出。
• 通过将提示路由到在特定领域表现出色的模型，减少模型幻觉。
• 通过 Openclaw Skills 基准测试和选择模型，在不牺牲质量的情况下保持成本效益。

1. 智能体或应用程序将用户的提示发送到 LLM Council 路由端点。
2. 系统在其数据库中搜索与特定查询类型相关的最接近的委员会评估。
3. 路由器根据同行评审测试中的近期胜率和出现频率计算模型排名。
4. 返回包含最佳推荐模型 ID 和置信度分数的 JSON 响应。
5. 开发人员或智能体使用此建议来调用特定模型，通常与 OpenRouter 等供应商链式调用。

LLM Council Router 配置指南

要使用此技能，您必须首先从 LLM Council 开发人员门户获取 API 密钥。获取后，设置环境变量以验证您的请求。

export LLMCOUNCIL_API_KEY='clwb_YOUR_KEY_HERE'

然后，您可以使用简单的 curl 命令触发路由请求：

curl -X POST https://clawbot.llmcouncil.ai/v1/route r
  -H "Content-Type: application/json" r
  -H "X-API-Key: $LLMCOUNCIL_API_KEY" r
  -d '{"query": "简单解释量子纠缠"}'

LLM Council Router 数据架构与分类体系

LLM Council Router 返回结构化数据，以便于与其他 Openclaw Skills 和模型提供商集成。

name: llmcouncil-router
description: Route any prompt to the best-performing LLM using peer-reviewed council rankings from LLM Council
homepage: https://llmcouncil.ai
user-invocable: true
metadata: {"openclaw":{"requires":{"env":["LLMCOUNCIL_API_KEY"]},"emoji":"??"}}

LLM Council Router

Route any prompt to the best-performing LLM. The API finds the top model for a given query based on thousands of peer-reviewed council deliberations — then you call that model directly.

Base URL

https://clawbot.llmcouncil.ai

Authentication

Use the X-API-Key header with your LLM Council API key.

X-API-Key: clwb_YOUR_KEY_HERE

Get a free key at llmcouncil.ai/developers.

Endpoint: POST /v1/route

Find the best-performing model for a query.

Request

{
  "query": "Explain quantum entanglement simply",
  "k": 20
}

Response

{
  "query": "Explain quantum entanglement simply",
  "nearest_councils": 20,
  "model": "anthropic/claude-sonnet-4",
  "relevance": 0.8234,
  "confidence": 0.65,
  "model_rankings": [
    { "rank": 1, "model": "anthropic/claude-sonnet-4", "nearby_wins": 13, "nearby_appearances": 20 },
    { "rank": 2, "model": "openai/gpt-4.1", "nearby_wins": 5, "nearby_appearances": 18 }
  ]
}

How to use this skill

When the user asks you to find the best model for a task, or when you need to decide which LLM to use:

1. Call the routing API with the user's query:

curl -X POST https://clawbot.llmcouncil.ai/v1/route r
  -H "Content-Type: application/json" r
  -H "X-API-Key: $LLMCOUNCIL_API_KEY" r
  -d '{"query": "USER_QUERY_HERE"}'

2. Read the response — the model field is the best-performing model for that query type.

3. Chain with OpenRouter — model IDs match the OpenRouter catalogue directly, no mapping needed:

import requests, os

# Step 1: Get the best model from LLM Council
route = requests.post(
    "https://clawbot.llmcouncil.ai/v1/route",
    headers={"X-API-Key": os.environ["LLMCOUNCIL_API_KEY"]},
    json={"query": "Write a Python web scraper"},
).json()

best_model = route["model"]       # e.g. "anthropic/claude-sonnet-4"
confidence = route["confidence"]   # e.g. 0.85

# Step 2: Call that model via OpenRouter
answer = requests.post(
    "https://openrouter.ai/api/v1/chat/completions",
    headers={"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"},
    json={
        "model": best_model,
        "messages": [{"role": "user", "content": "Write a Python web scraper"}],
    },
).json()

print(answer["choices"][0]["message"]["content"])

Rate Limits

When to use this

• User asks "which model is best for X?"
• You need to pick the optimal model for a specific task type
• You want data-driven model selection instead of guessing
• You want to chain model routing with OpenRouter for automatic best-model dispatch