Weave Router 2.0：跨订阅智能路由的编程助手调度器

在 AI 编程助手日益普及的今天，开发者往往同时持有多个订阅——Claude、Codex、GPT 各有其长，但配额和成本的管理却成了新的痛点。刚刚登上 Product Hunt 榜首（127 票、排名 #1）的 Weave Router 2.0，正试图解决这个问题：它是一款「订阅感知」的编程助手路由器，能把每一次编码请求自动分发到当前最划算、且能把任务做对的模型上。

核心思路：让模型选择变成一个路由问题

Weave Router 2.0 的定位是「Subscription Aware Coding Agent Router」。它的关键能力在于打通不同厂商的订阅壁垒——你可以在 Codex 中调用 Claude 模型，也可以在 Claude Code 中调用 GPT 模型，全部基于你现有的付费计划，并被路由到「还有剩余配额」的那一个。

换句话说，它把「用哪个模型」从开发者的手动决策，变成了一个后台自动完成的路由问题。对于同时订阅多家服务、又经常撞到配额上限的重度使用者来说，这种跨订阅的弹性调度确实能减少中断和浪费。

性能主张：对标 GPT-6 Astra，成本减半、速度翻倍

据官方描述，Weave Router 2.0 在 Terminal-Bench 4.0 和 SWE-Atlas 两个基准上的表现，可以匹敌 GPT-6 Astra，但成本只有一半、速度快一倍。

这个「同等智能、更低成本」的组合，是它最核心的卖点。逻辑并不复杂：如果一个简单任务可以由更便宜的模型完成，就没必要动用最昂贵的旗舰模型；而只有在真正复杂的任务上，才把请求送给能力最强的模型。整体上，路由器通过为每个请求匹配「能把它做对的最便宜模型」，来压低平均成本。

需要提醒的是，这些性能数字目前来自厂商单方面的宣传，尚无第三方独立评测佐证，实际效果仍有待社区验证。

Terminal-Bench 和 SWE-Atlas 是近年兴起的面向「真实工程任务」的编程能力基准，有别于传统的代码补全准确率测试。Terminal-Bench 侧重在终端环境中完成多步骤命令行任务的能力，SWE-Atlas（以及其前身 SWE-bench）则聚焦于在真实 GitHub 仓库中定位并修复 issue 的端到端能力，被视为衡量编程 Agent 实际可用性的重要指标。值得注意的是，厂商自报基准成绩存在「评测集过拟合」或「有利条件设置」的风险——评测时选用的模型组合、温度参数、上下文长度等均可影响结果。GPT-6 Astra 目前也并非被广泛测试的公开可用模型，这使得对标数字的可复现性存疑，读者在参考时应保持审慎。

两项关键技术：复杂度分类器与「ache-aware」切换

Weave Router 2.0 的路由决策由两个机制驱动：

任务复杂度分类器

一个新的分类器会为每个编码任务的复杂度打分。分数决定了这个请求「配得上」哪个档位的模型——简单的改动交给轻量模型，架构级或高难度的问题才升级到更强的模型。这是实现「按需分配算力」的前提。

任务复杂度分类（Task Complexity Classification）在 LLM 路由领域并非全新概念。学术界和工业界此前已有 RouteLLM、FrugalGPT 等研究，核心思路都是训练一个轻量级的「门控模型」，在真正调用大模型之前先对输入进行难度评估。常见的特征维度包括：token 数量、涉及的编程语言或框架、是否包含跨文件依赖、需要推理的步数等。分类器本身通常是一个小型分类网络或经过微调的小参数量模型，推理成本极低。Weave Router 2.0 的分类器具体训练数据和架构尚未公开，这也是外部难以验证其路由决策质量的原因之一——分类器的准确率直接决定了「把简单任务误判为复杂任务」或反向误判的概率，进而影响最终的成本与质量表现。

Ache-aware 切换

更有意思的是它所谓的「ache-aware switching」（可理解为「代价感知切换」）。路由器不会盲目地为了省钱而频繁切换模型，只有当切换带来的节省超过重建上下文的成本时，才会真正执行切换。

这一点直击了多模型协作的现实难题：切换模型意味着丢失原有的上下文，需要重新建立对话状态，这本身是有代价的。Weave Router 把这种「重建成本」纳入决策，避免了为省小钱而反复打断工作流的短视行为，是设计上比较克制、务实的一笔。

「上下文重建成本」是多模型协作中被低估的隐性开销。在对话式编程助手场景下，模型的有效工作依赖于已积累的上下文窗口——包括代码库结构、当前任务目标、已完成步骤以及中间产生的文件变更。切换到另一个模型时，这些状态需要通过 prompt 重新注入，不仅消耗额外 token，还可能因新模型对上下文的理解偏差而引入错误。「ache-aware」（代价感知）这一命名借鉴了操作系统调度领域「cache-aware」的思想：就如同进程切换会导致 CPU 缓存失效（cache miss），模型切换也会导致「上下文缓存」失效。将这种切换代价量化并纳入路由决策，是让路由器在实际工程场景中真正可用的关键设计，而非仅在孤立的单次请求上做成本优化。

谁适合用，谁需要谨慎

Weave Router 2.0 归属于 Product Hunt 的 Open Source、Developer Tools 与 Artificial Intelligence 分类，由 Adam Cohen、Andrew Churchill、Brennan Lupyrypa、Drew Bailey 和 Steven 等人打造。作为开源工具，它对愿意折腾配置、且手握多个 AI 订阅的开发者尤其友好。

它最能打动的人群，是那些：

• 同时订阅了 Claude、Codex、GPT 等多家服务，经常撞配额的人；
• 对 AI 编程支出敏感、希望自动化控制成本的团队；
• 愿意接受「模型由路由器决定」而非手动指定的工作方式。

而对成本不敏感、或坚持只用单一顶配模型的用户来说，这类路由器的价值就会大打折扣。此外，把请求在不同厂商模型间转发，也涉及数据流向与隐私合规问题，团队在采用前应做好评估。

小结

Weave Router 2.0 代表了 AI 编程工具的一个新方向：当模型越来越多、订阅越来越碎片化，「智能调度」本身就成了一种价值。它用复杂度分类和代价感知切换，把「省钱」和「做对」这两个常常矛盾的目标结合起来。至于官方宣称的「成本减半、速度翻倍」是否经得起真实项目的检验，还需要更多开发者上手后给出答案。