別再把高階模型當 grep 用：在 Repo 建立 AI 任務與模型的路由矩陣

極佳的實戰工作流分享：透過專案內的 task-to-model 路由矩陣控制成本，避免浪費高階模型處理簡單 grep 任務。

• 作者在實務開發中發現，AI 模型選擇若只憑感覺，容易導致 Opus 級別的 Token 被浪費在機械式繁重工作，或是 小模型誤觸資料庫遷移造成嚴重事故。• 透過在專案中加入 ROUTING.md 檔案，並在每次啟動自動載入的 CLAUDE.md 中規範，讓 AI 在動工前先將任務分類（R1–R9）並決定最適合的成本層級。• 系統將任務分為問答、偵查、實作、重複大量作業、測試排查、架構重構、稽漏、資料庫遷移與高難度蟲除等九大類，並設定明確的升級規則與紅線。• 嚴格規定如資料庫操作等高風險任務 僅限頂級模型且需人工確認，絕不向下委派；同時注意「已獲取的上下文」成本，避免盲目向下委派反而更貴。• 雖然這只是一套指令約束而非強制執行，但配合文件檢查腳本後，能有效讓 AI 模型派發標準化與自動化。> 「不再憑感覺協商，讓決策變得明確且可重複。」