modelchk 是一个只读、建议型的技能，核心目标是在任务真正执行前，先为这次运行“定尺寸”：需要多强的模型，以及它该思考得多深。它从一次风险评估出发，给出两个相互独立的中性坐标，但不负责选择、路由、切换、固定或指定任何具体模型与级别。
用途
它针对一个明确的工作单元（任务、产物、评审、重跑或计划）做一次风险与复杂度评估，并把结论映射为两个维度：能力层级与推理力度。这两个维度共同决定一次运行的“认知花费”。
主要能力
能力层级（最便宜但仍足够的那一类“心智”）：
-fast：适用于本地化、机械性、可逆、且验证成本低且完整的工作。 -standard：适用于常规的、基于仓库的推理、多步起草、普通编码，以及常规文档或技能类工作。 -frontier：适用于架构设计、高歧义、安全/隐私/数据丢失风险、发布关键评审、跨领域范围，或一个错误假设会浪费大量运行的工作。
推理力度（该心智应思考得多深）。modelchk 只给出力度意图，把它解析为当前模型的实际级别（与选择模型本身一样）是执行方的事：
-glance：最少斟酌，走直接路径（对应模型的下限）。 -measured：日常、普通的斟酌（模型默认值，或没有默认值时的中间档）。 -thorough：额外斟酌：推敲备选方案并检查假设（高于日常档，但未到顶）。 -exhaustive：最大斟酌：穷尽搜索并复核工作（模型的上限）。
两个轴相互独立——一个范围有限但繁琐的任务可以是 fast + thorough，一次快速的专家判断可以是 frontier + glance——但在多数工作中两者会同向移动，只有在廉价任务需要深度思考、或强模型只需快速判断时才分开。力度买的是斟酌，而不是能力，更多力度并不等于更正确。
使用方式
工作流为：先框定被定尺寸的确切工作单元；一次性评估风险与复杂度（跨越文件/模块/所有权边界、可逆性与影响范围、安全/隐私/发布/数据丢失风险、新颖性与歧义与长上下文综合负载、是否需要外部调研或对抗性评审或谨慎的发布排序、错误答案的代价）；据此读出能力层级（其上限能覆盖该工作判断与风险的最便宜类别）；再读出推理力度（默认跟随层级：fast→glance、standard→measured、frontier→thorough，exhaustive 保留给最难、最高风险的工作），并在“需要斟酌”与“需要能力”分离处偏离；最后报告两个坐标、一条共同理由、每个旋钮的上调/下调触发条件，以及无论层级与力度如何都仍需要的验证面（proof surface）。
输出字段为：recommended_tier（fast|standard|frontier）、recommended_effort（glance|measured|thorough|exhaustive）、rationale（一句话覆盖两个旋钮）、move_up_if、move_down_if、proof_surface。
适用场景
在准备投入一次模型运行前，需要以中立语言判断“该用多强的模型、该让它想多深”时；需要为某个工作单元给出可解释的投入依据与上下调信号时；需要在团队内用统一中性量表沟通运行成本时。
限制
它只估算认知花费，不涉及上下文预算、并行宽度、工具权限范围等编排旋钮；只使用中性语言，不在机制文本中命名具体模型产品、厂商或版本；不拥有路由权，由用户、框架或执行方决定实际运行什么并设置实际级别；不执行被评估的任务、不修改配置、不调用其他模型、不更改提供方设置；不覆盖用户显式指定的层级或力度（若存在不匹配则报告）；风险优先于规模；验证独立存在，更强的层级或更高的力度永远不能替代测试、评审、命令输出、人工 QA 等验证手段。