切换模型，省下的钱不会丢
HiRoute 只在明确的边界切换模型：用户发送新消息，或上下文压缩、重建时。同一轮内的工具调用始终使用同一个模型，切换后只有第一次请求丢失缓存。
缓存与整单成本分析 → 最新文章 新版本发布：新模型放心试，任务交给对的 Agent
只在需要的地方，为最强的模型付费。
HiRoute 是开源的 Agent 模型路由。常规工作交给经济模型，复杂任务交给主力；经济模型没做好，主力随时接手。继续用你熟悉的 Agent，组合订阅、API 和本地模型，让订阅额度用得更久。
支持 Codex、Claude Code、Qoder、OpenCode 等 Agent · macOS / Windows 桌面版 · Linux Web UI + CLI
一个长任务 · 每个阶段选对模型大部分工作很常规，少数决策才需要最强的模型。
常规工作
经济模型，持续推进
读代码 → 整理资料 → 按已知方法修改
按经济模型的价格新消息 · 重新判断回看上一步 · 判断这一步 · 守住下一步
↗ 难点与补救
主力模型，只在这里出手
关键决策 → 低分后接手 → 检查交付
只为这部分付主力的价格机制示意
产品介绍
在真实任务中试用新模型
一段录制的编程会话：新模型处理常规轮次，低分后主力接手，信任程度依据你自己的记录调整。
真实会话录屏，信任度部分为示意画面 · 费用为 API 等价估算。
真实场景的成本节省
相同验收标准，
成本降低约 90%。
在一次真实的技术调研与架构评审任务中，Qwen 3.8 Flash 负责调研，GPT-6 Astra 负责关键决策。达到同样的验收标准，成本比全部使用 Astra 降低约 90%。
关键决策交给更强的模型
只用 Qwen 时，三次关键决策只有一次没有重大错误；混合模式把关键判断留给 Astra，三次都通过评审。费用为 API 等价估算。
完整案例 →新模型逐步试，主力随时接手
新模型不必一次全面接管，
按任务难度逐步放量。
从首页的「新模型」开始，选好要试用的模型和熟悉的主力。发布前会列出全部改动。
试用步骤 ↗
信任度就是难度门槛
System One 判断每一轮有多简单，够简单的交给新模型，更难的仍由主力处理。
逐步放开
新模型表现稳定后，从试用调到熟悉、信任或放手，它就会承担更多工作。
主力继续兜底
新模型的阶段评分低于胜任下限、且问题仍然相关时，低分保护让主力接手下一轮。
用自己任务的证据调整
用了哪个模型、为什么、
做得怎样，一目了然。
会话时间线展示每次实际用了哪个模型、为什么切换。模型表现报告汇总阶段评分、常规模型承担比例和费用估算；证据足够时建议上调或下调，由你决定是否发布。
System One · 决策模型决策模型只回答问题，
决策模型只回答问题，
HiRoute 负责决定。
每条新消息，决策模型沿任务时间线独立回答三个问题；阈值、选组与执行由 HiRoute 按你的方案负责，调整分流不必改写提示词。在「模型 → 决策模型」中连接百炼、OpenAI、OpenRouter Jev、TypeSafe 或兼容接入点即可使用。
决策模型与路由机制 ↗
上一步做得怎么样？
给出胜任度评分，同时计入模型表现报告与信任度建议。
这一步有多难？
够简单的工作才可能交给经济模型。
上一步的问题，会带进下一步吗？
会：低分保护，主力接手；不会：解除保护，重新按难度选择。
Agent 生态
不换 Agent，
也不局限于编程。
HiRoute 在本地运行，把受支持的订阅、API 接入和本地模型集中管理。开发、研究、分析与自动化都可以按需分配模型。
自定义扩展 · 按需接入
把你的判断方式，
接入 HiRoute。
需要自有模型或处理逻辑时，再部署自定义扩展。HiRoute 传入已发布的任务类别、可用模型组与安全历史；扩展直接返回类别和常规或主力组，可选上一阶段评分仅用于观察。HiRoute 保持模型选择与执行边界。
自定义扩展 API →下载 OpenAPI ↓
自定义扩展 API / 首次响应示例
POST /v1/decisions
{
"group": "regular"
}从 HiRoute 开始
保留工作流，
重新安排算力。
稳定版本 0.5.3 现已提供 macOS 桌面应用 / Windows 桌面应用 / Linux。
macOS 与 Windows 桌面应用自带本机服务。在服务器和远程工作站上，可以用 Linux Web UI 在浏览器中管理模型、路由、Agent 和会话，也可以使用 CLI。
HiRoute 0.5.3
macOS 与 Windows 桌面应用
下载 macOS 版Apple 芯片 · 97.7 MB下载 Windows 版x64 · 69.0 MB全部下载、Linux 与 SHA256 →常见问题
常见问题
切换模型会影响 KV Cache 吗？
会。HiRoute 在同一轮正常的连续工具调用中沿用路由决策，并优先保持所选组内的当前模型，让增长中的前缀持续复用缓存。新用户消息会重新判断任务；若发生切换，首次请求可能损失旧缓存，后续连续调用则可以复用新缓存。
上下文压缩或重建后，部分缓存本来就需要重建，这时重新选模的额外损失可能更小。HiRoute 通过保持连续执行减少不必要的缓存开销，最终比较包含缓存重建、路由判断和重试的整单成本。具体影响与 Astra × Qwen 实验测算见下文。
上下文压缩一定会重新选模吗？
要看是否仍能识别为同轮续接、此前冻结决策是否可复用。能够继承时保持本轮决策；历史重建使续接关系或决策无法复用时才再次判断。重新判断也可以选择原模型，客户端无需单独上报压缩事件。
决策模型能看到哪些执行历史？
HiRoute 提供简化的 Agent 轮次历史：用户问题、接受的回答、工具名称与粗粒度状态。内部任务类别、模型组与执行身份由 HiRoute 绑定，不要求模型猜测。历史被裁剪、淘汰或重启后可能不完整；评分目标阶段的证据完整性单独判断，缺失或部分评分不会视为零分。
一定要部署 Jev 吗？
不需要。在模型 → 决策模型中连接百炼、OpenAI、OpenRouter Jev、TypeSafe 或兼容接入点，就能使用内置判断。按难度分流也支持启发式规则；需要自有处理逻辑时才选择自定义扩展。
胜任度评分是不是成功率？
不是。它表达模型对具体执行阶段的胜任程度，必须结合计划、版本、评分覆盖范围和部分证据状态理解。