用途：帮助在 AI 开发工作流中决定某件工作该花最强模型（如 Fable 5 / Opus）还是更便宜快速的模型，并据此设置每个智能体的模型与推理投入。
核心判断标准：下游是否存在便宜的校验器。若错误会被编译器、测试、schema、确定性检查器或后续验证环节机械地发现，则用便宜模型通常正确；若该输出本身就是最后一道防线、下游无法判断对错，则应使用强模型。
建议投入最强模型的情形：存在相互作用约束的新颖设计；假阴性代价高昂的对抗性验证（数据丢失路径、授权、金钱、迁移）；便宜模型多次尝试仍未能定位的缺陷根因；关于有效性的推理（实验设计、效度威胁、推断是否成立）；改动点之外不可见的影响；任何未经进一步检查就会发布或据以行动的产出（架构决策、文章论断、安全结论）。
可用便宜快速模型的情形：高广度低深度的扫描（查找、清点、调用点编目）；机械变换（重命名、调用点迁移、样板、格式转换）；首轮分流与分类；对已有在手内容做摘要；自己会再读一遍并核对的内容。
项目自身证据与边界：对比测试发现，在检索受限的任务上，结构优于模型规模——扁平检索把所有模型（Llama 3.3 70B 到 Sonnet 4.5）的例外保留率压在 83%，结构化后均升至约 98–100%，且成本约低 13 倍。但该结论仅适用于知识受限类工作，不推广到推理受限类工作；同一研究中，结构把决定性证据摆到每个模型面前，仍有模型拒绝使用。实践规则是先改进工件（更清晰的界定、验证阶段、正确上下文），再考虑升级模型；一旦工作真正是推理受限，就要付出成本。
反模式：用强模型做大批量扫描；用便宜模型当最后防线；生成与评分用同一模型；可驳回的判断型分类器；未测量就假设层级。便宜分类器只能升级、不能跳过，只有确定性规则可以跳过。
其他要点：推理投入与模型选择遵循同一逻辑，高投入在机械工作上只买来延迟；委托时应按智能体分别设置模型与投入，而非统一用最高档。为非显然的工作选定层级时，用一句话说明选了哪个及原因。