LLM助手中枢

解决的核心问题

AI Agent 接入多类 LLM 时，常面临三大痛点：不同模型的接口协议碎片化（如请求格式、鉴权方式不一），手动适配耗时且易出错；切换模型时上下文状态难同步，历史交互数据丢失导致任务连续性中断；多模型协同场景下，资源调度缺乏统一规则，推理型模型与生成型模型无法按需匹配。这些问题直接制约了 Agent 的灵活性与稳定性，尤其在复杂任务流中可能引发结果偏差。

核心能力与工作逻辑

该技能通过中枢化设计解决上述问题，核心能力包括：

1. 统一接口适配：基于 LLMInterface 规范封装模型差异，开发者仅需调用 invoke(task) 方法，即可对接兼容的 LLM，无需关注底层协议转换；
2. 上下文状态管理：内置 ContextCache 模块，自动存储 Agent 与 LLM 交互的上下文（含历史请求、中间结果），切换模型时通过 context_id 快速恢复，避免重复传参；
3. 跨模型协同调度：支持按任务类型（如 reasoning/generation）自动匹配模型，也可通过 dispatch(task_type) 手动指定，实现资源按需分配。

工作流程分三步：① 初始化中枢时注册可用 LLM 列表；② Agent 通过统一接口发起请求，中枢自动匹配上下文并调度模型；③ 模型响应经中枢标准化后返回 Agent，全程对开发者透明。

适用边界与注意点

• 仅适配遵循 LLMInterface 规范的 LLM，未规范封装的模型需手动扩展适配层；
• 依赖 AI Agent 框架的状态传递机制，无上下文管理能力的框架需额外对接持久化模块；
• 不适合简单脚本或单次 LLM 调用场景，优势仅在多模型协同的 Agent 工作流中体现。