當我們進入正式的 AI 生產線（Agentic Workflow）後，最核心的算力調度智慧，莫過於「模型分工（Model Routing）」。
許多人在使用 AI 時，習慣不論大事小事，一律派出手頭上最貴、最強的模型（如 Fable 5、Opus 5 或是 GPT-5.6）。這就像是雇用公司裡薪水最高、判斷力最好的「高階主管」，整天在做複製貼上、整理 CSV 欄位與改檔案名稱等機械化雜事。這不僅是對人才的極大不尊重，更是一場預算上的毀滅災難。真正成熟的架構師，追求的是 Compute Allocation（算力精準分配）：依照任務的困難度與出錯代價，指派剛剛好、最符合經濟效益的模型與思考推理強度。
模型路由四象限
用強模型與高推理。
用強模型做策略與架構。
用固定流程加嚴格審核。
用便宜模型或腳本處理。
實戰步驟一：劃分模型選擇與推理強度的「四象限矩陣」，精準配置算力
模型分工（Model Routing）不僅是「選模型」，還必須疊加「推理強度（Reasoning Intensity）」的維度，這決定了你讓模型花多少 Token 預算去「思考與反覆自我檢查」。
兩者結合，構成了以下四個黃金象限：
第一象限：強模型 ✕ 高推理：專門留給方向模糊、決策影響極其深遠的核心任務。例如產品商業策略、軟體系統架構、核心規格書（Spec）的制定。這類任務一旦判斷錯誤，後面做再快也只是往錯的方向狂奔，必須使用最頂尖的大腦與最深度的思考預算。
第二象限：強模型 ✕ 低推理：適合需要良好的判斷力，但不需要想太久的決策點。例如手上有五個產品概念，需要強模型的優良直覺快速篩選出前兩名，此時不需要開啟昂貴的高推理強度。
第三象限：便宜模型 ✕ 高推理：適合方向與規格非常明確，但執行細節需要高技術密度的任務。例如依照既有規格書去補一段複雜的程式邏輯。模型不需重新做大方向決策，但需要給它多一點思考 Token 把代碼寫得乾淨無 Bug。
第四象限：便宜模型 ✕ 低推理：專門處理規則固定、機械化、且極易檢查對錯的工作。例如整理資料、翻譯、改格式、跑自動化檢查、或者產出摘要。
實戰步驟二：通過兩道硬性限制過濾網，並建立 5 步驟交付路由表
要將這套矩陣真正落實到工作中，在挑選模型前，你必須先讓任務通過以下兩道硬性過濾網，並排定好精準的交付路由表：
第一道：公司準用工具與安全過濾網：企業協作的第一個問題永遠是「這份資料能不能外流」。財務資料、客戶私密個資或未發布的專利草稿，絕對不能丟進外部未經授權的 API。必須先從公司安全合規批准的工具（如 ChatGPT Enterprise、Microsoft Copilot）中進行篩選。
第二道：特殊能力與資料源過濾網：檢視任務是否取決於特定的資料源。如果任務需要最新資訊，模型是否具備 Live Web 聯網能力就很關鍵；如果任務取決於 X 社群的討論，或需要串接內部的 CRM、資料庫，就必須挑選對接了該資料流的特定模型。
設計 5 步驟交付鏈（Research -> Design -> Execute -> Review -> Fix）並算一筆賬：我們將一個中型網站開發專案，依 5 步驟進行算力分配調度，交接處完全依靠結構化的 JSON Artifacts 串接：
Research (研究)：用 Fable 5 (強模型) 擔任 Manager 拆解問題，指派便宜模型去大量收集，再由 Fable 5 收斂決策報告。
Design (規格)：用 Fable 5 ✕ 高推理，寫出極度清晰、毫無歧義的 Spec 規格書。
Execute (執行)：將規格拆成小包，交給便宜且做工穩定的 Sonet 5 (便宜模型) 大批生產代碼。
Review (審查)：派多個便宜模型當調查員分頭找 Bug，最後將問題清單交回給 Opus 4.8 (強模型) 當法官做綜合判斷。
Fix (修復)：依據問題清單，指派 Sonet 5 局部修改代碼並重新部署。
省錢戰報：同樣是 82 萬 input 與 27 萬 output 的工作量，全用 Fable 5 費用是 21.7 美元；但透過上述 Model Routing，費用直接降至 9.15 美元，在品質完全不打折的前提下，成本瞬間直降 58%！