上篇算完那笔 43 倍的账单之后，我一直在想一个问题：有没有办法让系统自动替我做选择？
不是"我该不该换便宜的模型"——这个问题没意义。便宜的解决不了复杂问题，贵的处理简单问题是浪费。
真正的问题是：**能不能不做这个选择？**
打车是怎么解决这个问题的？
这个问题其实不是新问题。有一个行业几十年前就遇到并解决了它。
打车。
当年你在路边招手打车的时候，来什么车坐什么车——桑塔纳也行，夏利也行。你不知道下一辆是什么，也没有选择权。
后来网约车出现了。打开 App，输入目的地，系统告诉你：
>快车 ¥15，舒适型 ¥28，专车 ¥45，豪华车 ¥88。
你根据自己的需求和预算，做一个决定。但关键来了——**系统帮你把所有选项和价格都列好了，还根据路况估算了时间。**
这个过程拆开看，包含三个步骤：
**第一步：知道你要去哪。**输入目的地，系统就知道路程多远、路况如何。
**第二步：知道每辆车的情况。**快车便宜但可能没空调，专车贵但服务好。系统知道每种车型的能力和价格。
**第三步：在预算内做最优匹配。**你赶时间就选专车，省钱就选快车。但如果路上特别堵，打车本身就慢——系统可能会建议你换地铁。
这三个步骤，缺一个都不行。
把同样的逻辑套到 LLM 上
如果把 LLM 路由当成一个"打车系统"，事情突然就清晰了。
**第一步：知道你要问什么。**
输入的不是目的地，是一个 query。系统需要判断：这个问题是什么类型？涉及什么领域？需要多强的推理？
这不是简单的关键词匹配。"帮我写一段快速排序"和"分析快速排序在缓存不友好场景下的性能瓶颈"——两个问题都包含"快速排序"，但前者任何模型都能写，后者需要真正懂计算机体系结构。
**第二步：知道每个模型的情况。**
每个 LLM 像一种车型：
旗舰模型（GPT-5.5、Claude Opus）→ 豪华专车：贵，但什么路都能跑
高端模型（Claude Sonnet、Gemini Pro）→ 舒适型：日常主力，性价比较好
中端模型（DeepSeek V4 Pro）→ 快车：大部分时候够用
经济模型（Qwen3.6 Flash、GPT-5.4 Nano）→ 拼车：便宜，短途专用
本地模型（Llama 8B、Qwen 9B）→ 共享单车：免费，但只能走短距离
问题不是"哪个模型最好"，而是"这个问题该坐什么车"。
**第三步：在预算内做最优决策。**
这是最关键的。如果预算无限，所有问题都丢给 GPT-5.5，不用思考。但现实是预算有限的——1000 块钱要撑一个月。
这就涉及取舍。今天省一点，才能在遇到真正难题时"坐一次专车"。
系统要做的事情是：**在保证整体质量的前提下，让预算花在最需要的地方。**
所以，一个智能调度员需要三个能力
想清楚之后，我发现一个好的 LLM 路由系统必须同时具备三个核心能力：
能力一：问题难度预测
系统收到一个 query，必须能在调用模型之前，大概判断出这个问题的难度和领域。
不是事后诸葛亮——是在还没拿到答案的时候就要预测。
能力二：模型能力画像
系统必须知道每个模型擅长什么、不擅长什么。
而且这个画像不能是静态的。模型会更新、能力会变化、甚至同一模型在不同类型的问题上表现完全不同。画像必须是动态的、持续进化的。
能力三：预算约束下的决策
光知道问题和模型还不够。系统必须有一个决策机制，在总预算有限的前提下，决定"这一轮该选哪个模型"。
但这个决策不是孤立的——上一轮花了太多，这一轮收紧；上一轮省了不少，这一轮可以大方一点。**预算感知，而不是预算平分。**
三个能力拆开来看，每一个都是一个独立的技术问题。把它们串起来，就是一套完整的智能调度系统。
我决定做一个这样的系统！！！
