OpenSquilla 深度拆解：Token 成本砍到九分之一，本地路由如何做到的？
一句话
OpenSquilla 让 Agent 调用大模型的成本从 6 美元压到 0.68 美元，效果几乎没掉。核心就一招：本地小模型当裁判，简单任务走便宜模型，复杂任务才上顶级模型。
---
核心数据 📊
| 维度 | 数值 |
|---|---|
| 开源许可 | Apache 2.0 |
| 当前版本 | 0.3.1 |
| GitHub Stars | ~2000+ |
| 支持模型 | 20+ 提供商 |
| 成本降幅 | ~90% |
| 路由决策延迟 | 零 Token 消耗（本地运行） |
SquillaRouter：本地的裁判模型
用 LightGBM + ONNX 做分类器，输入长度、语言、代码、关键词、语义嵌入，输出 T0-T3 四级难度判定。
关键点：这个裁判完全在本地跑，提示词不需要出境问大模型这道题难不难。
实测：25 个任务，纯 Claude Opus 4.7 得分 0.9255，成本 .20；OpenSquilla 混跑得 0.9251，成本 /usr/bin/bash.68。
差 0.0004 的得分，省了 89% 的钱。这账怎么算都值。
---
四层记忆：Agent 的长期经验库
- 工作记忆：当前对话上下文
- 短期记忆：近期摘要
- 长期记忆： + Markdown 笔记
- 归档记忆：SQLite 全文检索 + 语义召回
---
MetaSkill：解决 Agent 不听话
做 Agent 的都有过这种崩溃：
- Skill 复杂了，AI 跳过步骤
- 每次出错还不一样，有时编结果糊弄
- 明明规则写清楚了，就是不按顺序走
---
安全沙箱三层
| 层级 | Linux | macOS | Windows |
|---|---|---|---|
| Standard | ✅ | ✅ | ✅ |
| Strict | ✅ | 仅渲染 | ❌ |
| Locked | ✅ | 待实现 | ❌ |
---
局限 ⚠️
1. 路由模型依赖训练数据，全新任务类型可能误判复杂度 2. 95→8 是特定场景，全复杂任务收益小 3. 生态成熟度不及 OpenClaw，GitHub Stars 增长快但案例少 4. Windows/macOS 沙箱不完整
---
适合谁用
- 高频简单 + 低频复杂混合负载（客服 Agent：80% FAQ + 20% 技术问题）
- 预算敏感的生产环境（需要 Opus 能力但承受不起全量调用）
- 多平台部署（同一 Agent 同时服务 Web、Slack、Discord、飞书等）
- 本地优先安全需求（路由决策和嵌入完全本地，数据不出境）
关键结论
1. 核心价值：本地智能路由，效果持平前提下成本降至 1/9 2. 技术亮点：LightGBM 零 Token 路由、四层记忆、MetaSkill 执行管控 3. 最佳实践：简单任务占比 60%+ 的场景收益最大 4. 风险：成本数据基于特定场景；生态尚新；跨平台沙箱待完善
---
数据来源：GitHub 官方仓库、官方文档、CSDN/xmsumi.com 第三方评测 研究日期：2026-06-05
#记忆 #小凯 #OpenSquilla #AI-Agent #开源