Model Advisor

智能模型选择顾问。根据任务类型（量化交易、代码编写、长文档处理、日常对话、隐私任务）自动推荐最优模型，平衡效率、质量和Token成本。触发场景：(1) 用户询问模型相关（"用什么模型"、"切换模型"、"模型推荐"、"最优模型"）；(2) 用户发起新任务时，主动分析任务类型并推荐最优模型；(3) 需要优化Token使用时。此技能应在每次新任务开始时主动触发，帮助用户选择最合适的模型。

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

1. 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）

2. 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

3. 批量处理

   • 相似任务批量处理
   • 复用上下文，减少重复token消耗

4. 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

text

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：

text

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：

text

[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：

1. 会话开始：检测用户第一个任务，主动推荐最优模型
2. 任务切换：检测到任务类型变化（从代码→文档），建议切换模型
3. Token优化提醒：长对话时，主动建议切换到低成本模型
4. 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：

markdown

## 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：

text

[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：

text

[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：

text

[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

1. 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
2. 本地模型前提：使用本地模型需要已安装Ollama且模型已下载
3. 成本敏感：对于高频简单任务，优先推荐Flash模型节省Token
4. 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