百炼模型推荐

从阿里云百炼平台模型库中，根据用户场景推荐最合适的模型并提供调用示例代码。

适用场景

显式选型：

• "推荐一个模型"、"选哪个模型"、"用什么模型好"
• "帮我对比一下XX和XX模型"

隐式选型（用户描述想做的事，隐含需要选模型）：

• "我想做一个XX"（客服机器人、翻译工具、代码助手...）
• "帮我实现XX功能"（图片生成、语音合成、文本摘要...）
• "怎么用 AI 来做XX"、"大模型能做XX吗"
• "XX场景有什么方案"、"我想接入XX能力"

技术选型：

• "XX和XX哪个更适合做YY"
• "低成本/高并发/高精度 场景怎么选"

不适用：

• 用户已确定模型，只问怎么调用 → 直接给调用代码
• 纯粹查询模型参数/价格 → 使用 bailian-docs-llm-wiki skill

与 bailian-docs-llm-wiki 的边界： 当用户同时涉及模型查询和模型选择时，优先使用本 skill（本 skill 内部会读取模型数据完成推荐）。仅当用户已确定模型、只需查参数/价格/调用方式时，由 bailian-docs-llm-wiki 处理。

前置检查

执行推荐前确认依赖的 bailian-docs-llm-wiki skill 已安装且数据可用。

检测逻辑：

1. 检查 bailian-docs-llm-wiki skill 是否已安装（通过查找已安装 skill 目录中是否存在 bailian-docs-llm-wiki/models/models.jsonl）
2. 如果未安装，执行安装：npx skills add modelstudioai/skills --skill bailian-docs-llm-wiki -y

安装失败则告知用户并中止。禁止在没有数据的情况下凭记忆推荐模型。

推荐流程

第一步：理解需求（Agent 直接完成，不输出给用户）

从用户描述中快速提取结构化需求信息。JSON 结构定义见 references/requirement-schema.md，推断规则见 references/capability-codes.md。

要快： 简单字段映射，不做复杂推理。如果需求不清晰，直接追问具体场景，不输出中间分析。

第二步：筛选候选

从 models/models.jsonl 和 models/groups/<slug>.json 中综合筛选匹配的模型（10~50 个），结构化字段和语义信息同时参与筛选：

1. 去除历史快照版本（如 model-2025-04-28），只保留主版本
2. 按模态过滤（输入/输出模态必须兼容）
3. 按能力、特性、上下文窗口、质量定位评分排序
4. 读取 group 文件的 description（group 级 + item 级），将场景关键词（如"科研"、"代码"、"长文本"、"客服"）与用户需求做语义匹配，提升匹配模型的排序
5. 同一家族最多保留少量模型，避免同质化
6. 候选不足时放宽过滤条件

数据源字段说明见 references/data-source.md。

第三步：精选推荐

从候选列表中选出 3 个推荐：

排序逻辑：

• 用户要省钱 → #1 必须是性价比最高的，不是旗舰
• 用户要最好 → #1 必须是能力最强的旗舰
• 用户无倾向 → #1 选综合匹配度最高的
• 推荐最适合场景的，不是最强的；偏好从用户表达中推断，不预设倾向

约束：

• 理由必须关联用户具体需求（禁止"性能强大"等空话），三条理由角度不同
• 有定价信息时结合预算权衡，帮用户做成本决策
• 避免推荐同家族多个模型，优先稳定版本
• 提供多档次选择和 tradeoff 说明，由用户自己决定

pipeline 场景： 相邻步骤的模型模态必须兼容，不兼容时添加提示。

第四步：输出推荐结果

对每个推荐模型，读取对应的 group JSON 文件（models/groups/<slug>.json）获取 samples 字段中的调用示例代码。示例代码获取方式和输出格式见 references/samples-format.md。

用自然语言直接输出推荐（如"根据你的需求，我推荐以下模型..."），每个模型包含：

1. 模型名称和 ID
2. 推荐理由 — 关联用户具体需求，附 tradeoff 对比
3. 亮点 — 关键优势标签
4. 规格信息 — 上下文窗口、最大输出、定价（如有）
5. 调用示例代码 — 从 group 文件的 samples 字段获取（优先 openai.python，同时提供 curl）

输出约束：

• 不暴露内部流程术语（禁止出现"Stage"、"意图画像"、"候选召回"、"精排"等词汇）
• 所有推荐基于 bailian-docs-llm-wiki 的实际数据，不凭记忆推荐