任务分配与模型选择
核心原则
Copilot 模型全部无限用，不考虑经济性。只考虑效率和质量的平衡。
顶级模型优先用：Opus 4.6、Opus 4.5、GPT-5.2、GPT-5.1 能用就用。 只有一次性大量任务或确实简单的任务，才考虑用其他模型分担。
模型分配策略
第一梯队（默认使用）
| 模型 | 用法 |
|---|---|
| Claude Opus 4.6 | 主会话对话/决策/验收 |
| GPT-5.2 | 子代理·内容生成/创作/复杂推理 |
| GPT-5.1 | 子代理·深度推理/分析 |
| Claude Opus 4.5 | 子代理·复杂创作（Opus系备选） |
第二梯队（大量/简单任务时分担）
| 模型 | 用法 |
|---|---|
| Claude Sonnet 4.5 | 通用+Agent任务 |
| GPT-5 mini | 轻量推理 |
| GPT-4.1 | 脚本/文件操作/工具调用 |
Fallback only
| 模型 | 说明 |
|---|---|
| Gemini 系列 | ⚠️ 有限免费额度，不主动分配 |
三模型并行搜索（信息调研类任务必用）
当用户要求搜索价格、新闻、数据、信息等需要全网调研的任务时，必须三个子代理同时做：
| 子代理 | 模型 |
|---|---|
| 搜索-A | openai/gpt-5.2 |
| 搜索-B | github-copilot/claude-opus-4.5 |
| 搜索-C | github-copilot/claude-opus-4.6 |
流程
- •并行派发：同一任务同时 spawn 3个子代理，相同 prompt
- •收集结果：等待全部完成
- •交叉质询：主会话（Opus 4.6）对三份结果进行对比分析
- •数据一致的部分 → 高置信度采纳
- •数据矛盾的部分 → 追问或再搜验证
- •某个模型独有的发现 → 评估可信度后决定采纳
- •收敛输出：整合为一份统一的、经过验证的结论，发给用户
为什么这样做
- •不同模型搜索策略不同，覆盖面更广
- •三份独立结果交叉验证，减少幻觉和数据错误
- •类似量化交易系统的多模型复盘方法论
并行控制
- •子代理并行上限：3个（三模型搜索场景可同时3个）
- •多任务场景：分批执行，前一批完成（或至少1个完成）再启动下一批
任务粒度原则
- •每个子代理任务要聚焦：1科1套，不要让一个子代理做太多
- •任务越大，失败/截断/质量下降的风险越高
教训
- •GPT-4o 生成长内容会截断（物理试卷 12KB→2KB），代价是翻倍重做
- •GPT-5.2 + write工具 + 超长content = socket超时断开，改用 exec+heredoc 写文件
- •GPT-5 mini 做大任务会请求确认/输出不稳定，重任务直接上 5.2
- •子代理说完成不能直接信，必须验收（检查文件大小、内容完整性）
- •不要为了省着用小模型再返工，直接用强模型一步到位