用途：为每个任务选择最优 LLM 模型，是多智能体系统中最大的成本杠杆，据资料称智能路由可节省 45-85% 成本并保持 95%+ 的顶级模型质量。适用于决定某任务调用哪个模型、为智能体工作流的 DAG 节点分配模型、优化系统 LLM API 成本、构建“先试便宜模型”的级联模式；不适用于提示工程、模型微调训练或模型架构学术比较。
主要能力：按任务类型分层。Tier 1（Haiku、GPT-4o-mini，约 $0.001/次）用于分类、校验、格式化、结构化抽取；Tier 2（Sonnet、GPT-4o，约 $0.01/次）用于写作、实现代码、代码审查、研究综合；Tier 3（Opus、o1，约 $0.10/次）用于分解模糊问题、架构设计、质量评判、多步策略规划。
三种路由策略：静态分层（设计 DAG 时按任务类型指定模型，无运行时逻辑，可获 60-70% 节省）；级联（先跑 Tier 1，做快速质量检查，达标即止，否则升级到 Tier 2，增加约 1 秒延迟，节省 50-80%）；自适应（记录每种任务类型在每个模型上的成功/失败，约 100 次执行训练数据后可达 75-85% 节省）。
提供商选择：Haiku 类可选 Anthropic、AWS Bedrock；Sonnet 类可选 Anthropic、AWS Bedrock、GCP Vertex；Opus 类仅 Anthropic；GPT-4o 类可选 OpenAI、Azure OpenAI；开源模型可选 Ollama（本地）、Together.ai、Fireworks。
限制与反模式：不要一律用最强模型或一律用最便宜模型；不要只优化成本而忽略延迟（Opus 比 Haiku 慢 5-10 倍）；不要设置一次分层后永不调整，应记录结果并随模型进步而适配。资料未提供安装命令、具体 API 调用代码或定价的完整细节。