Lynkr 通用 LLM 网关

问题背景

多模型编程助手往往把每一轮请求都打到同一档云端大模型上：简单补全与多步 Agent 工具链共用一条路由，既浪费 Token，也在某家 API 抖动时拖垮整条链路。你还需要在 OpenAI 兼容客户端里手工切换 provider:model，很难按「任务难度 × 单价 × 可用性」做决策。

工作机制

Lynkr 在本地暴露 OpenAI 兼容 的 http://localhost:8081/v1，在转发前做 五阶段复杂度打分（0–100）：结合 Token 量、工具调用、代码模式、领域关键词，以及 Graphify 的结构分析（god node、社区凝聚、blast radius）。分数映射到 SIMPLE / MEDIUM / COMPLEX / REASONING 四档，每档绑定可配置的 provider:model。

若检测到 Agentic 工作流（单次 / 工具链 / 迭代 / 自主），会自动升档。路由层还会在满足档位的前提下选 更便宜的提供商，并配合熔断与半开探测做 故障转移。

Token 侧是另一条主线：按请求类型筛工具、Distill 压缩（Jaccard、delta、块去重）、Code Mode（用 4 个 meta-tool 替代上百个 MCP 定义）、历史滑动窗口与 SHA-256 LRU 提示缓存；可选 Headroom sidecar 进一步压 payload。v8.0 起提供 SQLite 路由遥测（质量分、P50/P95/P99）、POST /v1/admin/reload 热重载，以及 Titans 风格的 长期记忆（惊奇度存储、衰减、FTS5 语义检索与自动注入）。响应头会带回 X-Lynkr-Tier、X-Lynkr-Complexity-Score、X-Lynkr-Agentic 等，便于你对照 /v1/routing/stats 做调参。

适用边界

• 你需要自行注册并维护 12+ 提供商（Ollama、Anthropic、OpenRouter、Bedrock 等）的密钥与模型列表；Lynkr 是网关与策略层，不替代各家账号与配额。
• 复杂度与 Graphify 分析依赖请求内容与代码结构，误分档仍可能发生，应结合 GET /v1/routing/accuracy 与遥测做校准。
• OpenClaw 等集成需单独配置 tier 路由 与 model 名回写；未启用时客户端看到的 auto 不会自动展开为实际后端模型。