Frugal：透過任務分級與鉤子，將 Claude Code 子任務路由至最經濟模型，節省大型語言模型開發成本

許多大型語言模型（LLM）代理，特別是處理編碼任務時，常將簡單的例行工作（如檔案搜尋、日誌讀取、機械性編輯）交由頂級模型執行，導致成本浪費。 為解決此問題，開源插件 Frugal 提出一套智能路由方案，能根據 Claude Code 專案中子任務的複雜度，將其分派至最經濟且有能力的模型。 其核心機制是將任務進行分級： • 確定性 Shell 指令（如 grep, jq）優先處理，零模型調用。 • Haiku worker 負責定位與提取。 • Sonnet worker 處理機械性編輯。 • 主模型用於設計、偵錯與審核。 • 頂級模型僅作為故障升級的最終手段。 設計上，Frugal 採用驗證式升級，只有當實際檢查（如測試、編譯器失敗）時才提高模型層級，避免廉價模型自我評估的不可靠性。

作者指出：「廉價模型自我評估『我不確定』在測試中是無用的，它會自信地在兩種情況下犯錯，無論是低估還是高估問題複雜度。」 此外，它透過 PreToolUse 鉤子強制執行路由策略，防止提示指令的漂移，並利用上下文隔離技術，讓子代理在獨立環境中處理任務，僅傳遞指針而非完整對話歷史，從而節省昂貴的模型重新載入上下文的成本。 這套系統能記錄各層級的花費、升級率及節省金額，實現「以一半成本獲得領先品質的編碼代理」的目標，並已在 Terminal Bench 上進行基準測試。