Bailian Model Recommend

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。

执行流程：一次命令 + 一次撰写

常规路径只需要两步、两次工具调用：

bashCopy code
# 第一步：一条命令拿全量结果（候选 + 规格 + 负面清单 + 示例代码 + 端点提示）
node scripts/recommend.mjs --scene code --exclude qwen --top 3

第二步：基于该输出撰写推荐理由并回答用户（见「撰写推荐理由」）。

不要：先 grep 模型数据、再逐个读 references、再分两次跑 recall-rank + get-samples。场景词校验、数据自检、示例提取都已内置在 recommend.mjs 里， 所有参考表也已内联在本文档下方——happy path 不需要打开 references/。

数据缺失时脚本以退出码 1 报错并给出安装命令，照做即可（无需事先手动检查）： npx skills add modelstudioai/skills --skill bailian-docs-llm-wiki -y。 禁止在没有数据的情况下凭记忆推荐模型。

适用场景

显式选型： "推荐一个模型"、"选哪个模型"、"帮我对比 XX 和 XX" 隐式选型： "我想做一个 XX"、"帮我实现 XX 功能"（描述目标，隐含需要选模型） 不适用： 用户已确定模型只问怎么调用 → 直接 get-samples.mjs；纯查参数/价格 → bailian-docs-llm-wiki skill。 边界： 同时涉及查询与选择时优先用本 skill；仅当用户已确定模型、只需查参数/价格/调用方式时交给 bailian-docs-llm-wiki。

recommend.mjs 参数

场景预设

内联参考表

模态取值（大小写敏感）：输入 Audio / Image / Text / Video；输出 3D-Generation / Audio / Image / Text / Video。

能力代码：TG 文本生成、Reasoning 推理、VU 视觉理解、IG 图像生成、VG 视频生成、TTS 语音合成、ASR 语音识别、TR 翻译、ME 多模态嵌入、3D-generation 3D 生成、World-Model 世界模型、Multimodal-Omni 全模态、Realtime-Omni 实时全模态、Realtime-Chatting 实时对话、Realtime-ASR 实时语音识别、Realtime-Text-to-Speech 实时语音合成、Realtime-Audio-Translate 实时音频翻译。

目录场景词（33 个，profile.scenes 全集；会随数据更新漂移，脚本会在 warnings 里回报当时的真实词表）： 3D生成、Agent编排、OCR文字识别、人脸人像、代码生成、创意写作、向量检索、图像修复、图像生成、图像编辑、实时对话、客服对话、情感分析、意图识别、播客、教育辅导、数字人、数学推理、数据分析、文档理解、有声书、深度研究、电商营销、知识问答、翻译、虚拟试穿、视频生成、视频编辑、角色扮演、语义重排、语音合成、语音识别、音乐生成。

偏好推断（只在用户明确表达或场景强烈暗示时偏离默认值）：

需求模糊时（如"推荐一个模型"无任何场景信息）：直接追问"你想用在什么场景"，拿到回答后再跑命令。不要在信息不足时猜场景。

requiredFeatures 只做提示，不参与硬过滤：引擎的硬门只有模态 + 能力。用户要求 function-calling / web-search / structured-outputs / prefix-completion 时，需要在候选的 specs.features 里自行核对并在理由中说明。

什么时候走 --intent（自由 intent JSON）

• pipeline：多模型协同，需要 segments 描述每一步的模态与能力
• 需要 scenarioHints（额外任务关键词，参与 notSuitableFor 负面排除）
• 场景既不在预设表也不在场景词表里，需要手工组合模态/能力

字段结构与提取规则见 references/requirement-schema.md。用法：

bashCopy code
node scripts/recommend.mjs --intent intent.json      # 或 --intent -  从 stdin 读

pipeline：每段各跑一次，合并进一条命令

segments 不参与排序——引擎只读顶层的 inputModality / outputModality / requiredCapabilities / matchedScenes。所以一次调用只能为一段选出模型，N 段链路 要跑 N 次，且必须合并进一条 shell 命令（= 一次工具调用），不要一段一次工具调用。

每段的顶层约束就是该段的模态与能力，matchedScenes 填该段真正相关的场景词， budget / qualityPreference / userIntent 各段一致；能用 --scene 表达的段就别手写。 都先带 --no-samples，选定模型后再单独取示例，避免 N 段示例灌满上下文。 完整示例与「预设 vs 手写」的取舍见 references/requirement-schema.md。

拿齐结果后做衔接校验（脚本不做，这是 LLM 的活）：

• 前一段的输出模态必须被后一段接受——对照候选的 pipelineRole[].from/to 与 capabilities
• 后一段需要的图片/视频输入通常是用户自备素材，不来自前一段，必须点明
• callModes 含 async 的段要给"创建任务 + 轮询"示例，别给同步返回
• 不兼容或缺素材时明确提示，不要假装链路能跑通

脚本输出

jsonCopy code
{
  "scene": "code",
  "intent": { "matchedScenes": ["代码生成"], "modelPreference": { "mode": "unconstrained", "excludes": ["qwen"] } },
  "gate": "structured | forced-comparison | forced-alternative",
  "poolSize": 20,
  "warnings": [],
  "endpointNote": "示例 base_url 含 [workspace-id] 占位符…",
  "candidates": [
    {
      "rank": 1,
      "slot": "primary | runner-up | exploration",
      "model": "glm-5.3",
      "name": "GLM-5.3",
      "provider": "zhipu-ai",
      "family": "glm-4.5",
      "familyName": "GLM",
      "tier": "flagship",
      "finalScore": 0.979,
      "matchedScenes": ["代码生成"],
      "oneLinePositioning": "1M上下文+128K输出的旗舰模型，专用于生产级编程任务",
      "capabilities": ["TG", "Reasoning"],
      "callModes": ["streaming", "sync"],
      "notSuitableFor": ["低延迟实时对话"],
      "pipelineRole": [{ "from": "Text", "to": "Text", "role": "长程任务规划与结构化执行" }],
      "docUrl": "https://…",
      "specs": {
        "pricing": ["输入 8 / 每百万tokens", "输出 28 / 每百万tokens"],
        "contextWindow": 1000000,
        "maxInputTokens": 1048576,
        "maxOutputTokens": 131072,
        "features": ["cache", "function-calling", "structured-outputs"]
      },
      "samples": { "source": "openai", "python": "…", "curl": "…", "docUrl": "https://…" }
    }
  ]
}

intent 是脚本实际使用的意图（预设解析后的结果）——回答里如需说明假设，以它为准。 slot：primary（最佳）/ runner-up（次优，说明与 primary 的 tradeoff）/ exploration（不同视角备选）。 gate：structured（常规链路）/ forced-*（点名模型路径，保持用户顺序）。

warnings 必须处理，不能忽略：

前三个词表类 warning 是"填错就静默失效"的兜底——脚本会回报当时的真实词表，不需要事先 grep 数据。 后三个（pipeline-not-ranked / intent-key-normalized / unknown-intent-keys）只在手写 intent JSON （--intent / recall-rank.mjs）时出现，recommend.mjs --scene 自己构造字段不会踩到。

撰写推荐理由

这是 LLM 在本 skill 中唯一的生成性工作。候选列表不得增删、不得重排。

• 理由必须关联用户的具体需求，禁止"性能强大"这类空话
• 素材全部来自脚本输出：oneLinePositioning、matchedScenes、tier、specs.pricing、specs.contextWindow / maxOutputTokens、specs.features、notSuitableFor、callModes——不要回读 models.jsonl
• 三条理由角度不同；有定价时结合预算做成本权衡
• tradeoff 用 notSuitableFor 与规格差异写，不要编造短板
• pipeline 场景：相邻步骤的模型模态必须兼容（前一步 output = 后一步 input），不兼容要明确提示

示例代码规则

• 直接用 candidates[].samples（source = openai / dashscope / fallback），优先给 Python，附 curl
• base_url 必须原样取自 samples，禁止编造或改写域名
• 输出里出现 endpointNote 时，必须把该提示写进回答（示例端点含 [workspace-id] 占位符，需替换为真实 Workspace ID，并与 API Key、地域严格匹配）
• 示例含 enable_thinking / reasoning_content 流式循环时，给用户去掉思考逻辑的最简版本
• 用户已确定模型、只要代码时：node scripts/get-samples.mjs <model-id> [<model-id>...]

细则见 references/samples-format.md。

输出格式

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（来自 specs.features）
4. 规格信息 — 上下文窗口、最大输出、定价（来自 specs）
5. 调用示例代码 — 来自 samples（优先 Python，附 curl）

输出约束：

• 不暴露内部流程术语（禁止出现 "Stage"、"意图画像"、"硬过滤"、"召回" 等词汇）
• 候选列表与脚本输出保持一致
• 所有推荐基于 bailian-docs-llm-wiki 的实际数据，不凭记忆推荐

内部实现（改脚本时才需要看）

Copy code
scripts/recommend.mjs    一键入口：场景预设 → intent → 引擎 → 内嵌 samples
scripts/recall-rank.mjs  低层入口：自带 intent JSON 时用（--with-samples 可内嵌示例）
scripts/get-samples.mjs  低层入口：只取指定模型的示例代码
scripts/lib/engine.mjs   确定性引擎（纯函数，移植自 bl advisor recommend）
scripts/lib/catalog.mjs  数据层：目录加载/快照去重/场景词表/示例提取/端点提示

引擎的确定性环节（无 LLM 参与）：

改预设表前请先核对目录真实取值（--list-scenes 或 wiki 数据），不要凭记忆新增场景词或能力码。 数据来源与字段说明见 references/data-source.md。