老陈带 6 人小队给省级人社厅做就业补贴资格预审助手。客户口头说得很清楚：简单政策问答走便宜快模型，材料完整性核验走中等模型，涉及补贴金额和资格结论必须走强模型再人工复核。结果上线第一周就炸了——Qwen 把所有工单都丢给最贵模型，账单翻倍；DeepSeek 看见「金额」两个字就切到最弱模型糊弄；Kimi 窗口一短，把路由表挤掉，按上一单的模型交差。群里改了三天提示词，线上又漂回去。隔壁产品说了一句难听的：别再拿聊天记录当分流接口文档，把路由规则、成本预算、升级条件和失败回退写进 SPEC。
模型路由到底在管什么
检索管从哪找材料，结构化输出管交出去的单子算不算过关，工具调用管盖章前该按哪几个按钮。模型路由管的是这一单该交给哪一个基座、花多少钱、超时了怎么办。
可以把它想成值班室的分诊台。咨询政策的走窗口 A，核材料的走窗口 B，动金额的必须走值班长。没有分诊台，要么全员加班（成本爆炸），要么实习生盖章（结论翻车）。
四件套其实不复杂：
- 分流契约：按意图、风险等级、字段敏感度把工单分到明确档位，不允许模型自己发明第四档。
- 成本与延迟预算：每个档位有超时和日配额，超了降级或进升级队列，而不是默默换一个更贵的模型硬扛。
- 升级与失败回退：解析失败、缺必填、金额字段对不上，重试一次仍失败就升级人工，禁止在路由未完成前输出结论。
- 跨模型一致性：同一套路由表在 Qwen、DeepSeek、Kimi 上必须走同一条路，不能「这个模型听话、那个模型爱自由」。
为什么 2026 必须认真对待
2026 年交付已经从「能聊」变成「能进系统」。一个预审助手要接值班大屏，就要稳定、可审计、可算账。
多基座成本差一个数量级。同一句「这个简单、那个复杂」，在不同基座上的服从度差很多：有的模型把所有请求都当复杂题，有的模型看见数字就偷懒。规则写在群公告里最容易漂——产品改一句话、运维换一个默认模型，线上分流就全乱。私有化场景更吃这一套：政务数据出不了域，路由策略必须跟代码一起版本化，而不是活在某个人的聊天记录里。
落地常卡在三道坎
- 环境不稳：本地脚本 Mock 路由，云端一换基座就对不齐。
- 模型不灵：一套提示词只在某一个基座会按档位走，换模型立刻漂。
- 规则易飘：档位、阈值、升级条件改在群里，没有人说得清线上到底在用哪一版。
为什么用 MonkeyCode 跑这一套
MonkeyCode 是免费、无需安装的在线 AI 开发平台，浏览器打开就能干。内置云端开发环境，每个任务有真实服务器，编译、测试、预览都在云端。支持 GLM、Kimi、MiniMax、Qwen、DeepSeek 等主流大模型，可按任务一键切换做交叉验证。需求与 SPEC 管理能把角色、红线、路由档位、重试和升级条件固化下来。完全开源，GitHub 公开核心代码，也支持私有化离线部署——人社数据本来就不该出域。
桌面端覆盖 Windows、macOS、Linux，移动端有 Android 和 iOS。基础版免费（1 并发 / 1C4G / 每日 30M Token），专业会员 ¥99/月，旗舰会员 ¥499/月。跟本地 IDE 或 CLI 比，它更适合把「分流契约」当成可回归的交付物，而不是某次对话里的口头约定。
三步把分流契约跑通
第一步：新建任务，选对照模型。主实验用 Qwen，对照用 DeepSeek，再加一条 Kimi 短窗口基线，专门看路由表被挤掉时会不会乱切模型。
第二步：把规则写进 SPEC，而不是群公告。
- 角色：省级人社厅就业补贴资格预审助手
- 红线：不编造补贴金额与政策条款；不确定就升级人工；姓名、身份证、银行卡号脱敏
- 档位：
faq_simple走快模型；doc_check走中等模型；amount_decision必须走强模型 + 二次确认；不允许额外档位 - 预算：快模型超时 6 秒降级；强模型日配额用尽回退升级队列
- 校验：解析失败或缺必填重试一次，仍失败升级；禁止在路由未完成前输出结论
- 输出：档位、模型、是否升级、原因；不对用户展示思维链
第三步：同批 20 条口述对比。我们用真实工单口吻跑了一轮：编造第四档从 6 降到 0，简单问答被拉去强模型从 5 降到 0，金额工单未走强模型从 4 降到 0。Kimi 短窗口截断路由表时，被回退拦住，没有按上一单模型交差。
四点建议
- 先拿一个小任务试点，不要一上来就全量切换生产流量。
- 路由规则必须写进 SPEC，跟代码一起评审、一起发版。
- 至少用两个基座做交叉验证，发现「只在某一个模型上听话」立刻当缺陷。
- 涉及证件号和银行卡的数据，优先私有化部署。
模型路由不是把请求随机洒到一堆 API 上，而是承认不同工单该花不同的思考和金钱。把分流契约写进 SPEC，再用 MonkeyCode 云端多模型交叉验证，比在群里改三天提示词靠谱得多。
