GPTs 怎么配置多模型自动切换路由，才能让不同问题自动落到合适的模型上？

GPTs 本身不提供多模型选择器，一个 GPT 只绑定一个底层模型，所谓自动切换路由必须配置在 Actions 背后的网关上。Instructions 负责判断该不该走外部调用，OpenAPI schema 负责把问题送出去，真正的模型选择发生在你自己的服务端。只在需要按任务类型分流、并且能接受一次额外网络往返时才值得这么做；单模型已经够用、或依赖模型原生工具的场景，加这一层只会扩大故障范围。 一套可用的配置由三块拼成，职责不能混。第一块是 Instructions 里的触发条件，写清楚什么问题必须调用外部入口、什么问题直接本地回答；第二块是 Action 的 OpenAPI schema，只暴露一个稳定的请求端点；第三块是网关内部的路由表和回退链。三块混在一起写，最常见的后果是模型在对话里反复调用同一个 Action，既拖慢响应又重复计费。 指望在对话里用一句话让 GPTs 换模型是行不通的。Instructions 改的是提示词，不改变推理时实际加载的模型；凡是看起来“它在内部切了模型”的效果，本质都是模型先输出一段判断，再去调用外部接口，由接口返回另一个模型的结果。理解这一点，配置时的分工就清楚了：判断交给提示词，执行交给网关。 Action 的 schema 要小、要稳、字段要少。请求体建议只保留三项：待处理的原始问题、可留空的任务类型提示、以及调用方可接受的成本档位；响应体固定回传答案正文、实际使用的模型标识、是否发生回退三个字段。字段一多，模型在生成调用参数时就容易漏填或臆造枚举值；返回结构嵌套过深，模型解析失败后会重试，重试又会产生一次完整调用。 路由判据优先用确定性规则，而不是让模型自由裁量。按任务类型分流是最省成本的做法：含代码片段或结构化数据处理的请求走擅长推理的模型，纯改写、摘要、格式转换走低成本的模型，需要长上下文的一律进大窗口模型池。规则命不中就落到默认模型，而不是落到最贵的模型，这条默认值决定了整体成本的下限。 分类器可以作为规则之外的补充，但要把分类器自身的开销算进成本。用一次小模型调用判断任务类型，再据此选主模型，等于每个请求多付一次调用；命中率高时划算，命中率低时不如直接扩大规则表。可行的折中是让分类器只处理规则未覆盖的长尾请求，并对分类结果做缓存，同一会话内相似问题复用上一次的判断。 上下文长度和并发是另外两个硬约束，配置时必须显式判断。超长输入直接进小窗口模型会截断或报错，网关要先做长度估算再决定候选模型池；并发高峰时如果所有请求都路由到同一个强模型，限流会比选错模型更早发生。比较稳妥的做法是给每个模型池设一个并发上限，超出后按预设顺序降级，而不是让请求排队等待。 失败回退必须收在网关内部完成，不要把重试暴露给 GPTs。Action 调用有响应时限，具体数值以平台官方说明为准；一旦在对话层做串行重试，时间很快被耗尽，用户体验变成“转圈然后失败”。正确做法是网关内部按候选顺序快速切换，把最终结果和是否回退一并返回，让 GPTs 侧只感知到一次调用。 认证与密钥隔离是这类配置里最容易被忽略的一环。Action 侧只配置一个指向网关的 API Key 或 Bearer 凭证，各模型供应商的密钥只存在网关的环境变量里，绝不写进 Instructions 或 schema 描述。网关日志要记录请求时间、命中的模型标识、耗时和回退标记，这份日志是后续调整路由规则的唯一依据，没有它就只能凭感觉改阈值。 调优从两个模型加一条规则开始，不要一上来就铺开复杂策略。先按实际使用的模型标识分组统计准确率和单次成本，找出明显选错的样本，再决定是补规则、调默认模型，还是引入分类器。一次只改一个变量，观察一到两周，否则无法判断指标变化是路由改动带来的还是问题分布变了。 几个高频坑值得提前规避。schema 的 description 写得太含糊，模型不知道何时该调用，结果该走外部的时候走了本地；枚举值用了自然语言而不是固定字符串，模型会编造不存在的选项；同一轮对话里既要求它调外部接口又要求它自己推理，容易触发两次调用。这些问题都不在网关侧，而在提示词与接口描述的匹配度上。 最后要认清不适用的边界。依赖模型原生工具的场景，比如内置的代码执行或文件解析，换到外部接口后这些能力会丢失；需要流式输出的对话，加一层网关会显著改变首字延迟；对模型来源有合规要求、必须固定使用某一款模型的业务，动态切换本身就是风险项。遇到这三类情况，宁可保留单模型，把多模型能力放到独立的批处理链路上，而不是塞进 GPTs 的实时对话里。 成本结构也要算全，不能只看单次调用的价差。路由层带来三笔隐性开销：一次额外的网络往返、可能发生的分类调用、以及回退失败后的重复请求。当低成本模型与强模型的单次价差不足以覆盖这三笔开销时，自动切换在账面上就是不划算的，此时更适合按业务线静态绑定模型，把路由留给真正需要的地方。