多智能体模型分工

多智能体模型分工是指在 AI 系统中，将不同复杂度的任务分配给不同能力等级的模型，以实现最优的性能-成本平衡。核心思想是"大模型规划，小模型执行"。

核心理念

在单个 AI Agent 的工作流中，不同步骤对模型能力的要求差异很大。例如：

• 规划和推理（需要强模型）：理解用户意图、分解任务、制定策略
• 执行和生成（可用轻量模型）：代码补全、格式转换、简单查询

关键发现

根据 hero-coding 的 MVP 实验：

• 在 Agent 工作流中，约 80% 的步骤可以用小模型完成
• 只有 20% 的关键步骤需要大模型
• 整体成本可降低 60-70%，而质量损失不到 5%

实践模式

1. 路由模式：根据任务复杂度动态选择模型
2. 分层模式：大模型做规划，小模型做执行，大模型做审核
3. 级联模式：先用小模型尝试，失败再升级到大模型

实际案例：营销工作流模型路由

Shann-Holmberg 在 AI 营销工作流中的模型分配（详见 AI-Marketing-Engineer）：

• Opus 4.7 → 文案撰写（创意和语感要求高）
• GPT 5.5 → 规划、策略、QA（推理和结构化能力）
• GPT Image 2 → 视觉素材生成
• Codex 5.3 / Kimi 2.6 → 代码步骤（编码能力）

在 Hermes-Agent-工作流特性 中，这些模型被接入同一个工作流，每个步骤自动路由到最适合的模型。

相关概念

• Claude-Code — 智能体编码工具
• Agentic-Coding — 智能体编码范式
• Hermes-Agent-工作流特性 — 多模型路由实践
• AI-Marketing-Engineer — 营销工作流中的按步路由
• Shann-Holmberg — 按步路由的营销实践者