用途：在构建使用多个 LLM 提供方的应用时，为每个任务动态选择最优模型，以平衡质量、成本与延迟。适用场景包括多提供方应用、成本优化、不同任务需要不同模型能力、实现回退策略以及模型性能 A/B 测试。
主要能力：提供模型对比矩阵（能力与成本、典型首字节延迟）；四种路由策略——基于复杂度（simple/medium/complex 映射到不同模型）、成本约束（在预算与最低质量分内选质量最高者）、延迟优化（按最大延迟与最低质量筛选）、任务类型路由（code、creative、analysis、extraction、chat、classification 各有候选模型列表，并按 low/medium/high 预算取用）；回退链（主模型加多个备选，含最大重试次数与退避毫秒）；带学习的动态路由（用指数移动平均记录成功率、平均延迟与质量分，按权重选最佳）；模型 A/B 测试（按 userId 哈希确定性分流并记录指标）。
使用方式：资料以 TypeScript 接口与函数示例说明实现思路，如 assessComplexity、selectModel、selectWithinBudget、selectForLatency、selectForTaskType、executeWithFallback 以及 AdaptiveRouter、ModelABTester 类。示例中出现的模型名与价格仅作为资料中的示例数据，实际使用需以各提供方最新信息为准。
限制与注意：资料未提供安装命令、依赖包或可直接运行的完整项目；示例代码为示意，需自行接入各提供方 SDK 与 callModel 实现。最佳实践建议从简单路由起步、监控质量、始终配置回退、对路由逻辑做单元测试、记录选择原因并定期复核，因为模型能力与定价会变化。