LLM 成本优化与智能路由 — 专题研究

Codex 核验（2026-10-09）：Databricks 原文报告的是 2026-07-08 内部任务实验。费用与模型名称保留为历史快照；当前路由仍需按实际任务、可用额度及完成质量验证，不能直接沿用本表作为现行价格。

在多 model provider 环境下，如何选择最优模型/路由策略以实现成本与质量的平衡。

方向背景

随着模型种类激增（GLM-5.2、Opus 4.8、Sonnet 5、GPT-5.5/5.6、Gemini 2.5 等），每 token 成本差异巨大且与任务质量非线性相关。简单的”最便宜模型”策略会牺牲质量，“最强模型”策略会浪费成本。需要系统性优化。

来源: Databricks Blog + HN (146pts) | web-learn/2026-07-10-2009-databricks-coding-bench

核心发现:

GLM 5.2 + Pi harness = $1.28/ t a s k ，达 O p u s 4.8 + C l a u d e C o d e 水平 ($ 1.94)，成本降低 34%
本次实验 Pi harness 每轮上下文约为 Claude Code 的 1/3
每 token 成本 ≠ 每任务成本 — Sonnet 5 更便宜/token 但更贵/task
Harness 影响成本 — 同一模型换 harness 可出现超过 2 倍的成本差异；原文未证明框架影响在所有任务上都大于模型影响
三个能力梯队：Top (Opus, GLM 5.2, GPT 5.5) / Mid (Sonnet 5, Gemini 2.5) / Budget

来源: GitHub + Show HN | web-learn/2026-07-10-2015-frugon-llm-cost-analyzer

核心: 本地 LLM 成本分析工具，点算你的 OpenAI 格式 JSONL 日志，针对每个 call 比对候选模型票价，给出路由建议。

来源: Loop Engineering (⭐6.9k) | research/loop-engineering-patterns

核心: npx @cobusgreyling/loop-cost — 在 loop 工程范式中内建的成本估算工具，支持多 provider 成本预算管理。

信号	关联	链接
cost-guard skill (Hermes)	同方向：会话级 token 预算跟踪	`skill_view(name='cost-guard')`
Omnigent Policy 引擎	策略治理层：预算封顶、分流	`research/omnigent-meta-harness`
model-provider-ops skill	多 provider Fallback 链	`skill_view(name='model-provider-ops')`

多 provider 成本可见性 — 当前 Hermes 使用 OpenCode Go (DeepSeek) + Codex + Claude Code 三个 provider，但缺乏跨 provider 的成本统一视图
任务-模型匹配 — 简单问题用便宜模型，复杂问题用强模型，目前靠人肉判断
Harness 影响 — 同一模型在不同 harness (Claude Code vs Pi vs Codex) 下成本差异巨大