PandaCode 的 Panda Router 是内置的本地模型路由引擎，用 ONNX 小模型在毫秒级时间内读取任务描述，为 Agent 团队的每个 Worker 自动挑出最合适的 AI 模型。整个决策在本地完成，不经过 Python、不经过服务器，任务内容也不离开你的电脑。

为什么需要自动选模型？

在 PandaCode 的自动团队（automatic team）里，一个 Lead（组长 Agent）会把任务分派给多个 Worker。团队的模型池（catalog）可包含所有已安装 harness 的模型，最多 1000 个。

如果每个 Worker 都用最贵的旗舰模型，成本失控；如果都用最便宜的模型，难题做不好。Panda Router 就是来解决"这个任务该派哪个模型"的决策者，它的官方说法是：单次路由在 CPU 上约 10–25 毫秒（见 docs/model-routing.md）。

路由的 4 步流水线

Panda Router 是 PandaOrchestrator v4 的原生 Rust 移植，ONNX Runtime 直接链接进应用。一次路由分四步：

第 1 步：ONNX 任务画像（Profiler）一个 32M 参数、int8 量化的小模型（Ettin-32M）读取"任务文本 + 上下文"，上下文包括仓库前 3 大语言、涉及文件数、是否需要工具。它输出一份TaskProfile：

• 类别（13 选 1 的概率分布）：实现、修 bug、重构、写测试、代码评审、研究、规划、文档、前端 UI、数据分析、DevOps、数学推理、闲聊；
• 难度：1–10 级分布；
• 技能需求：coding、debugging、reasoning、math、writing、research、review、planning、ui_frontend、data_analysis 共 10 个轴；
• 标志位：需要工具、需要视觉、规格含糊等；外加 24 项检查表与预期输出长度。

输入文本超过 6000 字符时只取头尾（见 profile.rs 的format_input），所以超长任务描述也不会拖慢路由。

第 2 步：确定性匹配（Matcher）内置的模型卡片目录（cards.json + pandacode_cards.json，共 60 多张卡片，每张记录 10 轴能力 θ/σ、单价、上下文长度、TTFT、是否支持工具与视觉）与任务画像逐一对账，用 IRT（项目反应理论）模型算出每个模型在 10 个难度等级上的成功概率，见 matcher.rs。

第 3 步：学习式成功头（Success Head）一个基于历史数据训练的 logit 头（success.rs + success_head.json）对每张"训练覆盖"的卡片校准 P(success)，并给出置信下界——决策时用的是下界而不是均值，更保守、更稳。

第 4 步：v4 策略决策（Policy）在成本、延迟、成功率下界之上按你选的模式挑模型，同时生成一条最多 3 级的升级阶梯（escalation ladder），见 policy.rs：

模型名字如何对上千张卡片？

Worker 池里的模型名五花八门（ollama/qwen3.8:27b、default · GPT-6 Luna · Codex……）。cards.rs 的resolve_alias按 4 层规则解析：精确 ID → 精确模型串（含 vendor 前缀剥离）→ 忽略大小写/分隔符的宽松匹配 → 数字防护的模糊匹配（阈值 0.75）。

两个关键的防错设计：

• 版本数字防护：gpt-6-sol绝不会错配成gpt-6.1-sol；
• 档位词防护：mini、nano、turbo、pro 等 14 个档位词按整词比较，gpt-6-luna-mini不会借用gpt-6-luna的卡片（"mini 在 gemini 里"这类子串陷阱也不会误伤）。

解析有 8192 条的进程内缓存；没有卡片的模型视为未评级，永远不会被自动选中——除非你在等级表里给了它 S–D 评级，系统会为它生成一张合成卡片让它可路由。

失败之后：升级阶梯与"永不降级"

这是 Panda Router 最有价值的设计。Worker 失败（或被 Lead 的测试/类型检查判为不通过）后，组长用replaces派发替补并重新路由：

1. 失败模型被排除；
2. 难度分布按贝叶斯后验上调（"这个模型都失败了，任务大概比预想更难"），见after_failure与 panda_router.rs 的escalate_once；
3. 新选中的模型永远不弱于失败的模型：优先走上一轮阶梯的下一级（escalation_ladder），否则选更强的（escalation:stronger），再否则选剩下最强者（escalation:strongest_left）；
4. 每个任务最多重试 2 次，三次失败后 Lead 会把失败报告给你，而不是继续烧钱。

分派备注里会写清楚决策来源，例如routed: Haiku · claude (ladder 1/3, opener; policy pick Opus; …)，你可以随时知道为什么派了它。

自动下载与完整性校验（隐私保证）

• 路由过程本身不发起任何网络请求，任务内容绝不上传；
• 唯一的下载是画像模型文件：model.int8.onnx（31 MB）+tokenizer.json（3.5 MB），约 35 MB，来自固定 commit的上游仓库，下载流式计算SHA-256 校验，失败文件自动清理、10 分钟后才重试（见 model_routing.rs）；
• 文件存放在应用数据目录panda-router/v4，旧版 v2 文件在新版加载后自动清除；
• Intel Mac 与 x86_64 Linux 没有预构建的 ONNX Runtime，不下载、不加载，直接使用关键词启发式；macOS 13.4 以下同理。

也就是说，"自动升级"对使用者而言是无感的：设置里打开路由 → 团队启用时后台下载 → 下次路由自动切换为 ONNX 模式，路由结果里的profiler字段会标明onnx还是heuristic。

没有 ONNX 时怎么办？

在文件下载完成之前，路由从不阻塞：先用内置的关键词启发式（heuristic.rs）顶替——正则匹配类别词（fix/bug/refactor/pytest…）、按字数与文件数估难度、按难度偏移推技能轴。效果弱于 ONNX 画像，但保证团队随时可用，且结果中会明确标注heuristic。

在哪里开启与调优？

Settings → Agents → Model routing，面板源码见 model-routing.ts：

• Pick worker models with Panda Router：总开关（默认开启）；
• Mode：Cheap / Balanced / Best；
• Minimum chance of success：仅 Cheap 模式显示，默认 50%；
• Profiler：Ready / Downloading / Failed 状态，可手动 Download 或 Retry；
• Route（试一试）：输入一段任务描述，立即看到选中模型、备选 Top 5、各自的成功率与预估成本。

另外两个实用功能：

• 等级表（Tier list）：给模型评 S/A/B/C/D（对应能力 8.9 / 8.0 / 7.0 / 6.0 / 4.5），被评级模型的成功率按0.7×等级 + 0.3×卡片混合——S 级的弱卡可以打败 D 级的强卡；
• Team 菜单：提示框旁的 Team 按钮直接切换Cheap team / Balanced team / Best team，自动开启自动团队并设置全局模式。

源码与文档索引

小结

Panda Router 把"为每个 Worker 选模型"变成了一道本地、毫秒级、可解释的优化题：ONNX 小模型负责读懂任务，模型卡片负责量化每个模型，成功头负责校准概率，v4 策略负责在成本与成功率之间权衡，失败后沿阶梯只升不降、最多两次重试。对新手来说你只需要知道一件事——在设置里打开它，选择 Balanced 模式，剩下的交给路由。