model-hierarchy

Überblick über die model-hierarchy-Skill

Was model-hierarchy macht

Die model-hierarchy-Skill hilft einem Agenten dabei, Aufgaben an das günstigste Modell zu routen, das sie zuverlässig bewältigen kann. Sie ist für Szenarien gedacht, in denen Sie die Kosten besser kontrollieren möchten, ohne bei Routineaufgaben an Qualität zu verlieren. Wenn Ihr Workflow Premium-Tokens für Datei-Lesevorgänge, Statusprüfungen, Formatierung oder einfache Nachschlagen verbraucht, liefert Ihnen diese Skill einen praktischen model-hierarchy-Leitfaden, statt sich nur auf das Bauchgefühl zu verlassen.

Für wen sich die Installation lohnt

Installieren Sie model-hierarchy, wenn Sie einen Agenten-Workflow betreiben, der Sub-Agenten startet, häufig das Modell wechselt oder viele kleine Aufgaben bezahlt. Besonders nützlich ist sie für Workflow Automation, Claude Code-ähnliche Setups und jede Umgebung, in der die falsche Modellwahl die Ausgaben still und heimlich in die Höhe treibt. Weniger hilfreich ist sie, wenn Sie bereits strikte Routing-Logik im Code haben oder nur selten das Modell wechseln.

Was die Skill unterscheidet

Die Skill bedeutet nicht einfach nur „nimm ein günstigeres Modell“. Sie kodiert eine einfache Entscheidungsregel: Routineaufgaben gehen auf die niedrige Stufe, mittlere Aufgaben bleiben im mittleren Bereich, und nur wirklich schwere Probleme rechtfertigen Premium-Reasoning. Dadurch ist model-hierarchy deutlich umsetzbarer als ein generischer Prompt, weil der Agent damit eine wiederholbare Klassifizierungsroutine und einen klaren Standard für Sub-Agenten-Arbeit bekommt.

Wie man model-hierarchy verwendet

model-hierarchy installieren

Das Repository ist als Skill angelegt, den Sie in das Skill-Verzeichnis Ihres Agenten oder in den Prompt-Kontext kopieren. Bei OpenClaw zeigt die README, dass SKILL.md in den Skills-Pfad kopiert und das Gateway neu gestartet wird. Für Systeme im Stil von Claude Code / Codex besteht die praktische Installation darin, die Routing-Regeln in CLAUDE.md oder in Ihre Projektanweisungen einzufügen. Wenn Sie model-hierarchy install prüfen, achten Sie darauf, ob Ihr Agent Skills aus Dateien, globalen Anweisungen oder einer repo-lokalen Konfiguration liest.

Mit dem richtigen Input starten

model-hierarchy usage funktioniert am besten, wenn Sie dem Agenten drei Dinge nennen: den Aufgabentyp, das erwartete Ergebnis und die Frage, ob die Aufgabe Teil eines größeren Workflows ist. Schwacher Input: „Hilf mir mit diesem Repo.“ Stärker wäre: „Klassifiziere das als Routine oder moderat und wähle dann das günstigste Modell, das config.json sicher lesen, das Ergebnis zusammenfassen und das Risiko melden kann, falls die Klassifizierung falsch ist.“ Damit hat die Skill genug Kontext, um korrekt zu routen.

Diese Dateien zuerst lesen

Beginnen Sie mit SKILL.md für die Routing-Regeln und sehen Sie sich dann README.md für Installationsmuster sowie examples/claude-code.md oder examples/openclaw.md für plattformspezifische Nutzung an. Wenn Sie das Randverhalten verstehen wollen, ist tests/scenarios.json hilfreich, weil dort sichtbar wird, wie die Skill Routine- und Moderat-Aufgaben klassifiziert. Das ist der schnellste Weg, die model-hierarchy skill zu verstehen, ohne jede Zeile des Repos lesen zu müssen.

So nutzen Sie sie im Workflow

Ein praktischer model-hierarchy-Workflow ist: Aufgabe klassifizieren, entscheiden, ob sie Routine, moderat oder komplex ist, und dann vor der Ausführung das günstigste akzeptable Modell auswählen. Für Sub-Agenten gilt standardmäßig: billig, außer die Aufgabe braucht tiefes Reasoning oder Vision. Seien Sie ausdrücklich, wenn die Aufgabe Bildinput, das Lesen von Diagrammen oder andere nicht-textuelle Arbeit umfasst, denn dafür sollten keine Text-Only-Modelle verwendet werden. Diese Grenze ist wichtiger als der reine Tokenpreis.

FAQ zur model-hierarchy-Skill

Ist model-hierarchy nur für OpenClaw?

Nein. OpenClaw ist nur ein unterstütztes Integrationsmuster, aber die Skill ist auch für Claude Code, Codex und andere Agenten-Stacks relevant, die Routing-Verhalten per Anweisung definieren können. Wenn Ihr System einer Modell-Auswahlrichtlinie folgen kann, lässt sich model-hierarchy in der Regel einbinden.

Worin unterscheidet sich das von einem normalen Prompt?

Ein normaler Prompt fordert ein einmaliges Verhalten an. Die model-hierarchy-Skill gibt Ihnen eine wiederverwendbare Routing-Regel, die ein Agent vor jeder Aufgabe anwenden kann. Das macht sie besser geeignet für wiederkehrende Abläufe, Hintergrund-Agenten und kostenkritische Workflows, bei denen die Modellwahl Teil der Aufgabe ist.

Ist das anfängerfreundlich?

Ja, wenn Sie Routine-, Moderat- und komplexe Aufgaben unterscheiden können. Die Skill ist einfacher als eine vollständige Policy-Engine, aber Sie müssen die Schwierigkeit der Aufgabe ehrlich einschätzen. Wenn Sie schwieriges Debugging oder Vision-Arbeit als Routine einstufen, verpuffen die Kostenvorteile, sobald das Modell scheitert und Sie den Lauf wiederholen müssen.

Wann sollte ich sie nicht verwenden?

Verwenden Sie model-hierarchy nicht als pauschale Strategie, alles einfach herunterzustufen. Wenn die Arbeit tiefes Debugging, Architekturentscheidungen, Sicherheitsprüfungen oder multimodale Eingaben erfordert, ist das günstigste Modell meist die falsche Wahl. Sie passt auch schlecht, wenn Ihre Organisation die Modellwahl bereits mit starken Guardrails im Code erzwingt.

So verbessern Sie die model-hierarchy-Skill

Geben Sie stärkere Aufgabenlabels

Der schnellste Weg zu besseren Ergebnissen mit model-hierarchy ist, die Aufgabenkategorie direkt am Anfang zu nennen. Gute Eingaben benennen die Aktion und die erwartete Komplexität: „Routine-Dateisuche“, „moderater Code-Entwurf“ oder „komplexes Debugging nach einem Fehlschlag“. Das reduziert Ratespiele und hilft dem Agenten, beim ersten Durchlauf die richtige Stufe zu wählen.

Beschreiben Sie die Einschränkungen, die das Routing beeinflussen

Die Modellwahl ändert sich, wenn Sie Kontextgröße, multimodale Eingaben oder Fehlertoleranz erwähnen. Zum Beispiel: „Das ist eine reine Text-Zusammenfassung aus einem 200-Zeilen-Log“ oder „Hier ist Screenshot-Analyse nötig, also keine Text-Only-Modelle verwenden.“ Solche Details sind wichtig, weil sie Fehlanwendungsfälle sichtbar machen, die die Skill nicht wegoptimieren sollte.

Nach dem ersten Durchlauf iterieren

Wenn die erste Ausgabe zu überkonstruiert wirkt, bitten Sie den Agenten, die Aufgabe neu zu klassifizieren und zu erklären, warum diese Stufe gewählt wurde. Wenn sie zu schwach wirkt, fordern Sie ein Upgrade an und benennen Sie die fehlenden Signale: Denken über mehrere Dateien hinweg, Mehrdeutigkeit oder ein vorheriger Fehlschlag. Der model-hierarchy guide funktioniert am besten, wenn Sie ihn als Routing-Prüfung verwenden und nicht als einmaliges Urteil.

Auf typische Fehlermuster achten

Das größte Fehlermuster ist, „einfach aussehende“ Aufgaben als Routine zu behandeln, obwohl sie Abhängigkeiten, Randfälle oder Vision-Anforderungen verbergen. Ein anderes ist, die Skill in einen Workflow zu kopieren, ohne dem Agenten mitzuteilen, wo die Policy liegt oder wann sie überschrieben werden darf. Um model-hierarchy for Workflow Automation zu verbessern, halten Sie die Routing-Regel nah an der Aufgabenquelle und machen Sie den Eskalationspfad eindeutig.