先用 Luna 就一定便宜吗？

不一定。第二次模型调用、重试和人工处理都要计入，并与满足同样质量要求的全 Sol 基线比较。

可以只靠模型自报置信度分流吗？

不应只靠它。需要独立标注数据校准，并结合可观察的校验失败和风险规则。

不是，是为教学设定的任意成本单位，只说明计算逻辑，不是供应商报价或模型实测。

Luna 先处理、Sol 再复核，只有在错误水平可接受、总成本更低时才值得采用。 只看第一笔便宜的调用，会漏掉升级、重试和人工处理。本教程先搭建验收方法，再讨论是否省钱。

2026 年 9 月 24 日核对了 Luna和 Sol文档。把它们作为初筛与升级候选是工程假设，不是已测出的质量排名。练习包只含预先编写的教学路由记录，不调用模型。

沿用结构化提取教程的工单任务：分类、订单号、原文引用。响应需完成、可解析、格式合规且引用有来源，才有资格进入下一层判断；这些条件仍不能保证类别正确。

明确三条路径：直接接收、升级 Sol、人工处理。不是所有失败都该再问模型。原文缺关键资料时可能需要追问用户，退款等动作还需要独立授权。

规则需要版本号。评估中途调整阈值，应保留旧规则并重跑保留测试集，不能把不同条件的结果混在一起。

升级样本看起来难，往往更容易得到人工关注。真正容易漏掉的是通过校验、被直接接收的错误。

独立抽查已接收记录，不按模型置信度挑样本。同时记录“错误接收数／已接收数”和“错误接收数／全部任务数”，说明样本量与抽样方法。少量手挑案例不足以估计生产错误率，罕见但代价高的类别和各语言问题要单列。

模型说“我很有把握”不等于校准后的概率。若使用分数，阈值应在标注数据上建立，再到独立保留集验证；不能让产生错误的系统成为自己的唯一裁判。

每个原始任务都关联初筛调用、Sol 调用、失败重试、外部工具及人工处理。使用对应日期、供应商与模式的真实用量和价格，历史账单不能用今天的单价重写。

路由成本 = 初筛 + 升级 + 重试及工具 + 人工处理

比较“完成且达标的任务成本”，而不只是每百万 token 单价。未解决任务也要保留，否则丢弃难题的系统会显得便宜。人工处理要明确时间及计价假设，或单独报告分钟数，不能默认为零。

解压练习包后运行：

python3 lab.py routing

下表是任意成本单位，不是美元报价，也不是模型结果。

工单	路径	示例总单位	预先设定的结果
T1	接收	1	正确
T2	升级	5	正确
T3	接收	1	错误
T4	人工	10	正确

合计 17 个单位。包内还列出仅计算 token 的假设全 Sol 基线 16；它没有实测质量，也没计基线的人工处理，因此不能选出赢家。这个反例只说明四次便宜调用不足以证明省钱。两条直接接收记录中有一条错误，也不是 Luna 被测得“50% 错误率”。

两条路径使用同一保留集、分类规则、输出 Schema 和人工判定方式。固定供应商、模型 ID、effort、预算与工具权限，记录无法统一的差异。服务波动可能影响延迟时，随机化执行顺序，并测实际耗时。

基线的重试和人工处理也要照样计入。按类别比较质量、达标任务成本、未解决数和延迟分位数，同时报告样本量。多跑几次能暴露波动，但不能自动让小样本具有代表性。

先设业务能接受的错误与成本界限，再选择阈值。试点阶段保留人工批准是合理结果，证据足够后再逐步自动化。Sol 定价说明与 Luna 定价说明帮助解释用量，不能代替同任务实验。