Multi-LLM 智能模型切换
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/sundial-org-awesome-openclaw-skills-multi-llm。
技能介绍
要解决什么问题
很多人在 Claude Code / OpenCode 里默认一直挂着最强云端模型,但本地已经用 Ollama 跑好了 qwen-coder、DeepSeek-R1 等专用权重。真正的问题是:什么时候该用本地、用哪一类模型,以及模型没起来时怎么不中断工作流。Multi-LLM 用一条触发词把「默认 Opus」和「按任务选本地模型」分开,避免每次手动改配置。
技能如何工作
- 默认模式:未出现触发命令时,行为与文档一致——始终走主模型
github-copilot/claude-opus-4.5。 - 多模型模式:消息里包含
multi llm后,按任务关键词或强制子命令选型:
- multi llm coding → qwen2.5-coder:32b
- multi llm reasoning → deepseek-r1:70b
- multi llm chinese → glm4:9b
- multi llm general → qwen3:32b(通用回退)
- 检测逻辑:中英文关键词表区分 coding / reasoning / chinese;选中的模型不可用时会走 fallback chain(v1.1.0 加强了存在性检查)。
- 集成方式:在 OpenCode/ClaudeCode 里只需在请求前加上
multi llm或带子类型的命令,无需改服务端路由代码。
适用边界与注意点
- 依赖 Ollama 已安装并在运行;
ollama list里要有对应 tag,否则会触发回退或报 Model not found。 - 70B 级推理模型对 RAM/VRAM 压力大,慢响应时可换较小变体(如
deepseek-r1:32b)或强制multi llm general。 - 自动分类猜错时,用
multi llm coding/multi llm reasoning等强制命令覆盖关键词检测,不要指望模糊描述一定能命中。
使用场景
- 在 Claude Code 里修一个 Python API bug,消息前加 multi llm,让请求走 qwen2.5-coder 做生成与重构
- 证明复杂算法复杂度或推导数学步骤时,用 multi llm reasoning 强制 deepseek-r1,避免误分到通用模型
- 需要把英文技术段落快速翻成中文摘要,用 multi llm chinese 指定 glm4 处理翻译类关键词
- 日常架构讨论不含 multi llm 触发词,保持默认 Claude Opus 4.5,不启动本地选型逻辑
适合人员
- 本机已部署 Ollama、希望写代码时自动切到 coder 权重而不是全程 Opus 的全栈工程师
- 经常做形式化推理或算法分析、需要把大上下文交给 R1 类本地模型的研究员或竞赛选手
- 中英双语内容编辑,希望在翻译/摘要类短任务上用小参 GLM 以减轻云端配额压力
- 在 OpenCode 工作流里维护多条本地模型、需要通过 multi llm coding 等命令手动纠偏选型的平台内开发者