用途：Extended Thinking Architect 帮助判断一个 LLM 任务是否值得花费推理预算、应选无/低/中/高哪一档，以及何时更优解是更便宜的模型配合更清晰的提示词。它把任务信号转化为确定性建议与粗略成本倍数，并在智能体循环各阶段分配推理投入，优先前置推理、避免预算失控。
主要能力：包含两个脚本。reasoning_budget_advisor.py 为单个任务推荐投入档位（none/low/medium/high）或"prompt-first / 更便宜模型"，附理由与成本倍数；reasoning_loop_allocator.py 在总预算上限下，把推理投入分配到智能体循环各阶段（plan/act/observe/recover/finalize）。
使用方式：先确认任务类型与可验证性、错误答案代价与延迟预算、预期步骤数与歧义度等输入；信息缺失时应询问而非假设。随后可运行示例命令：python scripts/reasoning_budget_advisor.py --task-type code-debug --error-cost high --steps 4 --ambiguity low --latency-budget interactive；分类任务可用 --json；循环分配示例：python scripts/reasoning_loop_allocator.py --difficulty high --steps 8 --max-budget-multiplier 30，实时场景加 --realtime。
适用场景：可验证答案的多步推理（数学、约束求解、调试）、长智能体运行前的规划分解、错误代价高的决策适合投入推理；提取、分类、格式化，未明确的需求，实时低延迟路径通常不值得投入推理。
限制：需正确提供任务信号，缺失时应先询问；应设置单次调用与循环总量上限，仅在失败时升级投入，避免"求稳"一开始就高投入，并监控各阶段 token 消耗以发现过度思考。具体价格与效果资料未提供。