一个模型打天下：多模型路由前端的策略层与降级兜底

一个模型打天下多模型路由前端的策略层与降级兜底一、一个模型打天下AI 应用的成本与延迟死结去年给一个 AI 客服产品做成本审计发现一个反常识的事实80% 的请求只是查订单、问地址、要退款流程却全部走了旗舰大模型。单次推理成本 0.04 元月账单 38 万。这事我见过太多团队栽进去——一个模型从立项用到上线没人想过该分流。旗舰模型推理强但慢且贵。简单分类任务用旗舰等于用大炮打蚊子。更隐蔽的是延迟问题旗舰模型首 Token 延迟普遍 1.5 秒以上而客服场景用户对响应敏感超过 2 秒就开始怀疑是不是断了。成本与延迟是同一个死结的两端。正确的做法是在前端之上加一层「模型路由」。根据任务类型、上下文长度、用户分级把请求分发到不同的模型。推理复杂的走旗舰简单分类走小模型代码生成走专用模型。让每个任务匹配性价比最高的模型而不是所有任务共用一个最贵的。但路由不是简单 if-else。它要处理规则匹配、成本预算、延迟兜底、失败回退、A/B 灰度。前端这一层做不好用户体验会剧烈波动——同样一个问题今天秒回明天转圈。本篇要解决的就是如何在多模型并存下让前端路由既省成本又稳体验。二、任务画像与降级链多模型路由的底层机制多模型路由的核心是「任务画像—模型匹配—降级链」三段式。任务画像从请求中提取特征。维度包括任务类型推理、分类、代码、摘要、输入长度短文本、长上下文、用户分级免费、付费、企业、延迟敏感度实时对话、后台批处理。这些特征组成一个画像向量作为路由决策的输入。模型匹配按规则与成本双约束。规则层把任务类型映射到候选模型池比如「代码任务」候选池是 [代码专用模型, 旗舰模型]成本层在候选池里挑当前单价最低的。若用户是付费分级可解锁更贵的候选免费用户只能在小模型池里选。降级链是兜底关键。首选模型超时或报错自动切到次选次选也失败切到兜底小模型全链失败才返回错误。每一级降级都带超时阈值避免单模型卡死整个请求。某 AI 助手曾因首选模型雪崩无降级整站不可用 12 分钟加降级链后类似故障用户几乎无感。A/B 灰度让路由策略可演进。新模型上线先放 5% 流量对比延迟与质量达标再放量。预算控制是最后一道闸门当月成本超阈值自动把免费用户全量切到小模型保付费体验。让路由既灵活又不失控。综上多模型路由靠三层兜底首选超时或报错自动切次选、次选失败再切兜底小模型、全链失败才报错每级带超时阈值新模型先 5% 灰度验证再放量成本超阈值自动把免费用户切小模型。把路由层做厚多模型并存才从「风险」变「冗余」。三、生产级多模型路由器实现下面给出一个可复用的模型路由器。它支持任务画像、规则匹配、降级链、预算兜底与 A/B 灰度。type TaskType reasoning | classification | code | summary; type Tier free | paid | enterprise; interface RouteRequest { task: TaskType; text: string; tier: Tier; abKey?: string; // 用于 A/B 灰度的用户标识 } interface ModelClient { name: string; costPerCall: number; // 单次调用成本用于预算控制 invoke: (text: string, signal: AbortSignal) Promisestring; } // 候选链按优先级排序前面的失败才切后面的 const candidateChain: RecordTaskType, string[] { reasoning: [flagship, mid, small], classification: [small, mid], code: [code-pro, flagship], summary: [mid, small], }; export class ModelRouter { private models new Mapstring, ModelClient(); private monthlySpent 0; private readonly BUDGET_CAP 100_000; // 月度成本上限超阈值触发降级 register(name: string, client: ModelClient) { this.models.set(name, client); } async route(req: RouteRequest): Promisestring { const chain this.pickChain(req); let lastError: unknown null; for (const modelName of chain) { const client this.models.get(modelName); if (!client) continue; // 预算超限且非付费用户跳过昂贵模型保住成本底线 if (this.monthlySpent this.BUDGET_CAP req.tier free client.costPerCall 0.005) { continue; } try { const result await this.invokeWithTimeout(client, req.text, 3000); this.monthlySpent client.costPerCall; this.logRoute(req, modelName, ok); return result; } catch (err) { // 记录失败原因继续尝试下一个候选不让单模型故障拖垮整条链 lastError err; this.logRoute(req, modelName, fail); } } throw new Error(所有候选模型均失败: ${String(lastError)}); } // 按任务类型与 A/B 灰度共同决定候选链 private pickChain(req: RouteRequest): string[] { const base candidateChain[req.task]; // A/B 灰度5% 流量试用新模型插入候选链首位 if (req.abKey this.hashToBucket(req.abKey) 5) { return [new-model, ...base]; } return base; } private hashToBucket(key: string): number { let h 0; for (const ch of key) h (h * 31 ch.charCodeAt(0)) % 100; return h; } // 单模型调用带超时超时即 abort让降级链继续推进 private async invokeWithTimeout(client: ModelClient, text: string, ms: number) { const controller new AbortController(); const timer setTimeout(() controller.abort(), ms); try { return await client.invoke(text, controller.signal); } finally { clearTimeout(timer); } } private logRoute(req: RouteRequest, model: string, status: ok | fail) { // 路由日志单独采集用于事后分析降级率与成本分布 try { navigator.sendBeacon(/api/route-log, JSON.stringify({ task: req.task, model, status })); } catch { /* 日志失败不影响主流程 */ } } }关键点在于三处。其一候选链按任务类型预定义每个任务都有明确的降级路径。其二预算超限时自动跳过昂贵模型保付费体验的同时压住免费成本。其三单模型调用带 3 秒超时不让慢模型拖垮整条链。某客服产品接入后月度推理成本从 38 万降到 11 万P95 延迟从 2.4 秒降到 0.9 秒。四、路由复杂度与体验波动的代价适用边界多模型路由不是没有代价。第一道代价是体验波动。同一类任务用户 A 走小模型秒回用户 B 因灰度走到新模型等了 3 秒对比之下会觉着「被区别对待」。灰度比例需谨慎控制新模型未达稳定性门槛前不超过 10%。同时需做请求级一致性同一用户同一会话内尽量走同一模型避免中途切换让回答风格跳变。第二道代价是路由复杂度。任务画像、候选链、预算阈值、灰度比例参数越多越难调。一个配置错误可能让所有请求都走最贵的模型成本瞬间爆表。需配套路由策略的可视化面板实时观察各模型流量分布与降级率异常自动告警。第三是质量不一致。不同模型对同一问题的回答风格、准确度、长度都不同。用户连续提问时如果前一条走旗舰后一条走小模型体验割裂。需在会话维度固定模型或对会话内任务类型做一致性约束。适用边界高并发、多任务类型、成本敏感的 AI 应用收益最高——客服、搜索摘要、内容审核。单一任务类型、低并发的内部工具引入路由器徒增复杂度直接锁定一个模型更省心。五、总结多模型路由的工程核心是按任务画像把请求分发到性价比最高的模型并用降级链兜底稳定性。落地建议第一按任务类型预定义候选链每条链都有明确降级出口。第二单模型调用带超时不让慢模型拖垮整条链。第三预算超限时自动降级免费用户保付费体验。第四A/B 灰度比例严格控制会话内尽量固定模型避免体验割裂。最终在成本控制与体验稳定之间取得平衡。这条路在千万级调用量下能跑通回报是值得的。