model-advisor-mcp

为 AI 助手提供实时的 LLM/VLM 模型选型能力：以 OpenRouter 为基座，聚合 8 个权威基准数据源与 OpenCode 订阅目录，通过 MCP（Model Context Protocol）以 stdio 方式对外提供查询、排行、对比、推荐、成本估算与项目选型等 8 个工具。

特性

• 8 个 MCP Tool：get_model_info / list_top_models / compare_models / recommend_model / estimate_cost / batch_get_pricing / select_model_for_project / whats_new。
• OpenRouter 基座 + 8 基准源 + OpenCode 订阅：覆盖价格、上下文、模态、能力与基准分；OpenRouter 内置 Artificial Analysis 三指数、Design Arena 与 reasoning 档位。
• LLM + VLM 双类覆盖：文本竞技场 ELO 与视觉竞技场 ELO 分开采集，视觉模型独立排序，避免文本分污染视觉选型。
• 成本/预算能力：按每 1M token 单价估算调用成本；支持 OpenCode 订阅档（Zen 免费 / Go 付费）过滤与项目级选型。
• 中文生态友好：能力榜/开源榜/安全榜直接消费 OpenCompass 官方数据，Kimi、GLM、Qwen、DeepSeek、豆包等国产模型具备完整基准覆盖。
• 单源失败不阻断：OpenRouter 为必选基座，其余基准源与订阅目录全部容错；任一源抓取失败仅降级该源，整体服务继续可用。
• stale-while-revalidate 缓存：内存缓存 + 过期兜底，上游故障时用旧数据顶住，避免整榜归零。
• 模糊匹配：模型名规范化（provider 前缀、日期后缀、版本号、Claude 命名序）后多级匹配，并对 VL 模态做保护，防止视觉模型错误塌缩到文本基础模型。

数据源一览

| 数据源 | 内容 | 条目量 | 缓存 TTL | |---|---|---:|---:| | OpenRouter API | 基础目录：价格 / 上下文 / 模态 / 工具与推理能力，以及内置 AA 三指数 / Design Arena / reasoning 档位 | ~410 商用模型 | 1 小时 | | OpenCompass realtime-elo（text） | 文本竞技场人类偏好 ELO | 31 | 6 小时 | | OpenCompass realtime-elo（vision） | 视觉竞技场 ELO | 20 | 6 小时 | | OpenCompass 官方能力榜 | 旗舰模型：知识 / 推理 / 数学 / 代码 | 15 | 6 小时 | | OpenCompass 开源能力榜 | 开源模型：HLE / AIME2025 / MMLU-Pro / LiveCodeBenchV6 / GPQA / IFEval | 48 | 6 小时 | | SWE-bench Verified | 代码修复基准（取每个模型最高 resolved） | 78 | 6 小时 | | Aider Polyglot | 多语言代码编辑基准（pass_rate_2） | 66 | 6 小时 | | OpenVLM 综合视觉榜 | MMMU / MMBench / OCR / AI2D / MathVista | 281 | 6 小时 | | VLM 官方能力榜 | 感知 / 空间 / 图表 / 推理 / 创作 / Agent | 22 | 6 小时 | | OpenCompass 安全榜（text） | 文本安全对齐总分 | 46 | 6 小时 | | OpenCompass 安全榜（vlm） | VLM 安全总分 | 45 | 6 小时 | | OpenCode Zen（订阅目录） | 免费档可用模型 slug（经 normalizeKey 与 OpenRouter 匹配） | 70 | 6 小时 | | OpenCode Go（订阅目录） | 付费档可用模型 slug（同上） | 37 | 6 小时 |

说明：上表按「OpenRouter 基座 + 8 个基准源 + OpenCode 订阅（Zen/Go 两端点）」统计（ELO 与安全榜各含 text + vision 两条 pipeline）。条目量为 2026-09 实测规模，上游榜单会随时间浮动。

新增数据能力

• Artificial Analysis 三指数（aaIntelligence / aaCoding / aaAgentic）：来自 OpenRouter benchmarks.artificial_analysis，为 0-100 指数分，无需付费 API key。
• Design Arena ELO（designArenaElo）：来自 OpenRouter benchmarks.design_arena，取所有条目中的最高 ELO。
• reasoning 档位：来自 OpenRouter reasoning，展示支持的推理档位与默认档位。
• OpenCode 订阅归属（opencodeSubscription：zen / go / both）：由 OpenCode Zen/Go 目录经规范化匹配后推得。
• 质量档（qualityTier：S/A/B/C）：基于本项目全库百分位推导（综合百分位 ≥95→S、≥80→A、≥60→B、其余→C），不依赖任何硬编码静态表。

安装与配置

环境要求

• Node.js >= 18（依赖 AbortSignal.timeout）
• 可访问外网（需拉取各榜单数据）

方式一（推荐）：npm

a) 直接用 npx（无需安装）

{
  "mcpServers": {
    "model-advisor": {
      "enabled": true,
      "type": "stdio",
      "command": ["npx", "-y", "@nreg/model-advisor-mcp"]
    }
  }
}

b) 全局安装后运行

npm install -g @nreg/model-advisor-mcp

{
  "mcpServers": {
    "model-advisor": {
      "enabled": true,
      "type": "stdio",
      "command": ["model-advisor-mcp"]
    }
  }
}

方式二：本地构建（开发调试用）

从源码构建（开发/调试）：

git clone <repository-url> model-advisor-mcp
cd model-advisor-mcp
npm install
npm run build

bin 入口为 dist/cli.js（dist/index.js 同样可直接运行）。在 MCP 客户端配置中加入：

{
  "mcpServers": {
    "model-advisor": {
      "enabled": true,
      "type": "stdio",
      "command": ["node", "E:/work/nreg/ai-mcp/model-advisor-mcp/dist/cli.js"]
    }
  }
}

启动时服务会异步预热缓存（非阻塞，不阻塞 MCP 连接建立），首个请求若预热未完成会再次触发加载。

工具说明

服务注册 8 个 MCP Tool，返回值均为 Markdown 文本（select_model_for_project 额外提供 structuredContent 结构化输出）。

| 工具 | 用途 | |---|---| | get_model_info | 单模型详情（定价 / 基准 / 百分位 / 质量档 / 订阅 / 推理档位） | | list_top_models | 按类别列出 Top 模型，支持订阅档与上下文/发布日期过滤 | | compare_models | 2-5 个模型并排对比 | | recommend_model | 按用途 + 预算 + 硬性需求推荐模型 | | estimate_cost | 按 token 用量估算调用成本 | | batch_get_pricing | 批量查询多模型价格与订阅信息 | | select_model_for_project | 项目/任务级选型（三档 + 结构化输出） | | whats_new | 按时间窗口列出近期新增模型 |

get_model_info

获取单个模型的详细信息：定价、上下文、各来源基准分、全库百分位、质量档与能力特性，并可选附带 API 调用示例。支持模糊匹配，未命中时返回相近模型建议（前 5）。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | model | string | 是 | 模型 ID 或名称，支持模糊匹配（如 anthropic/claude-sonnet-4.6、gpt-5.2、kimi） | | include_api_example | boolean | 否 | 是否附带 API 示例，默认 true | | api_format | enum | 否 | API 示例格式：openai_sdk（默认）/ curl / python_requests |

调用示例

{ "model": "claude-sonnet-4.6", "api_format": "curl" }

输出摘录（Markdown）：

## anthropic/claude-sonnet-4.6

**名称**: Claude Sonnet 4.6 | **供应商**: anthropic | **模态**: text+image→text | **系列**: claude | **质量档**: A 级
**OpenCode 订阅**: Go+Zen
**推理档位**: high, medium（默认 medium）

### 定价与上下文
| 指标 | 数值 |
|------|------|
| 输入 | $3.00 /1M tok |
| 输出 | $15.00 /1M tok |
| 上下文 | 200K |

### 基准: 代码类
| 基准 | 得分 |
|------|------|
| SWE-bench | 72.1% |
| Aider Polyglot | 65.4% |

### 基准: Artificial Analysis
| 基准 | 得分 |
|------|------|
| AA 智能指数 | 58.3% |
| AA 代码指数 | 54.1% |

### 全库百分位
| 类别 | 百分位 |
|---|---|
| 代码 | P96 |
| 通用 | P92 |

list_top_models

按类别列出排名靠前的模型，返回紧凑 Markdown 表格（模型 / 价格 / 上下文 / 质量档 / OpenCode 订阅 / 关键基准 / 发布日期）。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | category | enum | 是 | 类别：coding / math / vision / general / cost-effective / open-source / speed / context-window / reasoning | | limit | number | 否 | 返回数量，默认 10，范围 1-20 | | min_context | number | 否 | 最小上下文窗口（token 数） | | min_release_date | string | 否 | 最早发布日期（YYYY-MM-DD），早于此日期的模型被排除 | | subscription | enum | 否 | 按 OpenCode 订阅档过滤：go / zen 表示该档可用（含 both），both 仅统计两档都可用 | | free_only | boolean | 否 | 仅显示 OpenCode Zen 免费档可用的模型（OpenRouter 免费模型已在基座剔除） |

调用示例

{ "category": "coding", "limit": 5, "min_context": 128000, "subscription": "zen" }

输出摘录：

## Top 5: 代码

| # | 模型 | 输入 $/1M | 输出 $/1M | 上下文 | 质量档 | OpenCode 订阅 | 关键基准 | 发布日期 |
|------|------|------|------|------|------|------|------|------|
| 1 | anthropic/claude-sonnet-4.6 | $3.00 | $15.00 | 200K | [A] | Go+Zen | SWE-bench 72.1% | 2026-02-10 |

compare_models

并排对比 2-5 个模型，行 = 指标（价格 / 上下文 / ELO / AA 三指数 / Design Arena / SWE-bench / Aider / 官方能力四维 / GPQA / MMMU / 安全 / 质量档 / 订阅），列 = 模型，每个指标的最优值加粗。命中不足 2 个时返回错误并附建议。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | models | string[] | 是 | 模型 ID 或名称数组，长度 2-5，支持模糊匹配 |

调用示例

{ "models": ["claude-sonnet-4.6", "gpt-5.2", "gemini-3-pro"] }

输出摘录：

## 模型对比（3 个）

| 指标 | **anthropic/claude-sonnet-4.6** | **openai/gpt-5.2** | **google/gemini-3-pro** |
|------|------|------|------|
| 输入 $/1M | $3.00 | $2.50 | $3.50 |
| 输出 $/1M | $15.00 | $10.00 | $14.00 |
| 上下文 | 200K | 400K | **1M** |
| ELO（人类偏好） | 1382 | 1401 | **1425** |
| AA 智能指数 | 58.3% | **61.0%** | 59.7% |
| SWE-bench | **72.1%** | 68.3% | 66.5% |
| 质量档 | [A] | **[S]** | [A] |
| OpenCode 订阅 | Go+Zen | Go | Zen |

recommend_model

按用途、预算与硬性要求推荐模型：先做硬性过滤，再按百分位与关键基准加权软打分排序，并为每个结果生成一句中文理由（含质量档与 OpenCode 订阅提示）。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | use_case | enum | 是 | 用途：coding / math / general / vision / creative / reasoning / cost-effective | | max_input_price | number | 否 | 输入价格上限（USD / 1M tokens） | | max_output_price | number | 否 | 输出价格上限（USD / 1M tokens） | | min_context | number | 否 | 最小上下文窗口（token 数） | | require_vision | boolean | 否 | 必须支持视觉/图片输入 | | require_tools | boolean | 否 | 必须支持函数/工具调用 | | require_open_source | boolean | 否 | 必须为开源许可 | | budget | enum | 否 | 预算档：free（OpenCode Zen 免费档可用）/ low（blended ≤ $1/1M）/ any（不限） | | requirements | string[] | 否 | 硬性需求，如 ['vision','tools','open_source','reasoning','long context'] | | limit | number | 否 | 返回数量，默认 3，范围 1-20 |

调用示例

{ "use_case": "coding", "budget": "low", "requirements": ["tools"], "limit": 3 }

输出摘录：

## 推荐（用途：coding，预算：low）

| 排名 | 模型 | 综合分 | 输入 $/1M | 输出 $/1M | 上下文 | 质量档 | OpenCode 订阅 |
|------|------|------|------|------|------|------|------|
| 1 | anthropic/claude-sonnet-4.6 | 94.2 | $3.00 | $15.00 | 200K | A 级 | Go+Zen |

1. **anthropic/claude-sonnet-4.6** — SWE-bench 72.1%，官方代码 88.4%，代码分位 P96；支持工具调用，A 级，OpenCode Go+Zen，输入 $3.00/1M，上下文 200K。

estimate_cost

估算指定 LLM 模型在给定 token 用量下的调用成本（USD）。按每 1M token 单价计算输入/输出/缓存/推理明细与总计，用于预算评估。支持模糊匹配模型名。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | model | string | 是 | 模型 ID 或名称（支持模糊匹配） | | input_tokens | number | 否 | 输入 token 数 | | output_tokens | number | 否 | 输出 token 数 | | cache_read_tokens | number | 否 | 缓存读取 token 数（若模型有缓存价） | | cache_write_tokens | number | 否 | 缓存写入 token 数（若模型有缓存价） | | reasoning_tokens | number | 否 | 推理 token 数（若模型有推理价） | | requests | number | 否 | 请求次数（默认 1） |

调用示例

{ "model": "anthropic/claude-sonnet-4.6", "input_tokens": 1000000, "output_tokens": 500000, "requests": 1 }

输出摘录：

## 成本估算：anthropic/claude-sonnet-4.6
**名称**: Claude Sonnet 4.6 | **供应商**: anthropic | **质量档**: A 级

### 用量
- 输入 tokens: 1,000,000
- 输出 tokens: 500,000

### 成本明细（USD）
| 项目 | 单价 $/1M | 用量 | 小计 |
|------|-----------|------|------|
| 输入 | $3.00 | 1,000,000 | $3.000000 |
| 输出 | $15.00 | 500,000 | $7.500000 |

## 预估总成本
**$10.500000**

batch_get_pricing

一次查询多个模型的价格信息，返回紧凑 Markdown 表格（输入/输出单价、上下文、质量档、OpenCode 订阅）。模型 ID 或名称支持模糊匹配，最多 50 个。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | model_ids | string[] | 是 | 模型 ID 或名称数组（支持模糊匹配，1-50 个） |

调用示例

{ "model_ids": ["claude-sonnet-4.6", "gpt-5.2", "kimi-k2"] }

输出摘录：

## 批量价格查询（命中 3 / 请求 3）

| 模型 | 供应商 | 输入 $/1M | 输出 $/1M | 上下文 | 质量档 | OpenCode 订阅 |
|------|--------|------|------|------|------|------|
| anthropic/claude-sonnet-4.6 | anthropic | $3.00 | $15.00 | 200K | A 级 | Go+Zen |
| openai/gpt-5.2 | openai | $2.50 | $10.00 | 400K | S 级 | Go |

select_model_for_project

根据项目/任务描述、硬性需求与预算档，选出「最佳综合 / 最便宜可选 / 最佳性价比」三档模型，并返回结构化结果（structuredContent）。用途由关键词自动推断（7 类 UseCase），过滤后按本项目打分排序。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | project | string | 否 | 项目描述（与 task 至少提供一个） | | task | string | 否 | 具体任务描述 | | requirements | string[] | 否 | 硬性需求，如 ['vision','tools','open_source','long context'] | | budget | enum | 否 | 预算档：free / low / any，默认 any | | optimization_goal | enum | 否 | 优化目标：balanced（性价比，默认）/ best（能力最强）/ cheapest（最便宜） | | expected_usage | object | 否 | 预期用量 { input_tokens, output_tokens, requests }，提供后给出预估成本 | | limit | number | 否 | 候选数量，默认 5，范围 1-20 |

调用示例

{
  "task": "重构一个 TypeScript 单体仓库并修复测试",
  "requirements": ["tools", "long context"],
  "budget": "low",
  "optimization_goal": "balanced",
  "expected_usage": { "input_tokens": 2000000, "output_tokens": 500000, "requests": 10 },
  "limit": 5
}

输出摘录（Markdown；同时返回 structuredContent）：

## 选型结果（目标：balanced，预算：low）
项目/任务：- / 重构一个 TypeScript 单体仓库并修复测试；已应用需求：tools、long context

- **最佳综合**：anthropic/claude-sonnet-4.6（评分 94.2）
- **最便宜可选**：moonshot/kimi-k2（$0.90/1M）
- **最佳性价比**：anthropic/claude-sonnet-4.6（值分 88.5）

| 排名 | 模型 | 供应商 | 评分 | 值分 | 输入 $/1M | 输出 $/1M | 质量档 | 理由 |
|------|------|--------|------|------|------|------|------|------|
| 1 | anthropic/claude-sonnet-4.6 | anthropic | 94.2 | 88.5 | $3.00 | $15.00 | A | SWE-bench 72.1%… |

structuredContent 结构（字段为 snake_case）：

{
  "query": { "project": null, "task": "…", "requirements": ["tools"], "budget": "low", "optimization_goal": "balanced" },
  "best_overall": { "id": "…", "name": "…", "score": 94.2, "valueScore": 88.5, "blended_price": 11.4, "est_cost": 13.5, "quality_tier": "A", "reasons": ["…"], "tradeoffs": ["…"] },
  "cheapest_acceptable": { "…": "…" },
  "best_value": { "…": "…" },
  "candidates": [{ "…": "…" }],
  "cost_basis": "expected_usage"
}

whats_new

按时间窗口列出近期新增/发布的模型（基于发布日期 releaseDate），可选按类别过滤。时间格式如 7d（天）/24h（小时）/2w（周）。

| 参数 | 类型 | 必填 | 说明 | |---|---|---|---| | since | string | 否 | 时间窗口，默认 7d，格式如 7d / 24h / 2w | | category | enum | 否 | 可选：仅看某类别（以其 Top 50 判定） | | limit | number | 否 | 返回数量，默认 20，最大 100 |

调用示例

{ "since": "30d", "category": "coding", "limit": 10 }

输出摘录：

## 5 个近期新增模型（最近 30d · coding）

1. OpenAI GPT-5.2 (openai/gpt-5.2) [S]
   openai | 输入 $2.50 | 上下文 400K | 发布 2026-09-01 | 订阅 Go

开发

npm install        # 安装依赖
npm run build      # tsup 构建到 dist/（双入口 index.ts + cli.ts，ESM + d.ts，--clean）
npm run dev        # tsx 直接运行 src/index.ts（开发调试）
npm test           # vitest run 单元测试
npm run smoke      # 冒烟测试：缓存覆盖检查 + MCP 端到端握手（需先 build）
npm run test:sources  # 逐个验证各源可达性 / 条目数 / 数据质量 / 交叉匹配率（需联网）
npm run test:published  # 发布后 e2e：npx 拉起 @latest，断言 8 工具并实测 get_model_info / estimate_cost

• npm run smoke：Part A 检查 warmup 后关键源（OpenRouter / ELO text / 官方能力榜 / OpenVLM）覆盖，任一 0 条判失败，并统计 AA 三指数 / OpenCode 订阅 / qualityTier 覆盖（静默归零可被观测）；Part B 以子进程方式走完 initialize → notifications/initialized → tools/list，验证构建产物与 8 个 tool 注册。
• npm run test:sources：是数据源的哨兵脚本，对上游改名、字段变更、网络故障做预警（含交叉匹配率阈值断言）。
• npm run test:published：发布后真机 e2e。默认拉起 @nreg/model-advisor-mcp@latest；本地也可用环境变量覆盖命令验证构建产物：$env:MCP_TEST_COMMAND="node"; $env:MCP_TEST_ARGS="dist/cli.js"; node test-published-package.js。

项目结构

model-advisor-mcp/
├── src/
│   ├── index.ts                 # 库入口（可执行）：stdio 连接、优雅停机、非阻塞预热
│   ├── cli.ts                   # CLI 入口（bin 目标 dist/cli.js）：createServer + stdio 连接
│   ├── server.ts                # createServer 工厂：装配 8 个 tool（cli/index 复用）
│   ├── types.ts                 # OpenRouter 响应类型、统一模型类型、类别/用途枚举、缓存与评分类型
│   ├── data/
│   │   ├── cache.ts             # InMemoryCache（TTL 过期删除 + stale 兜底 + freshness 信息）
│   │   ├── normalizer.ts        # normalizeKey / generateMatchKeys / buildKeyToId / findMatch，多源合并
│   │   ├── percentiles.ts       # 五类百分位计算（代码 / 数学 / 通用 / 视觉 / 性价比）
│   │   ├── quality.ts           # 基于百分位推导 qualityTier（S/A/B/C）+ 可选人工覆盖表
│   │   ├── registry.ts          # ModelRegistry：多源加载编排、Top 排序规则、四段匹配查询
│   │   ├── fetchers/            # 数据源抓取器
│   │   │   ├── openrouter.ts        # OpenRouter 模型目录（必选基座，解析 AA 三指数 / Design Arena / reasoning）
│   │   │   ├── opencode.ts          # OpenCode Zen/Go 订阅目录（归属判定 zen/go/both）
│   │   │   ├── elo.ts               # OpenCompass realtime-elo（text + vision）
│   │   │   ├── ability-official.ts  # OpenCompass 官方能力榜
│   │   │   ├── ability-open-source.ts # OpenCompass 开源能力榜
│   │   │   ├── swe-bench.ts         # SWE-bench Verified
│   │   │   ├── aider.ts             # Aider Polyglot（内置极简 YAML 解析）
│   │   │   ├── vlm-leaderboard.ts   # OpenVLM 综合视觉榜
│   │   │   ├── vlm-official.ts      # VLM 官方能力榜
│   │   │   └── security.ts          # 安全榜（text + vlm）
│   │   └── static/
│   │       └── api-examples.ts  # OpenAI SDK / curl / python_requests 三种 API 示例模板
│   ├── tools/
│   │   ├── model-info.ts        # get_model_info
│   │   ├── list-top.ts          # list_top_models（订阅档 / 免费档过滤）
│   │   ├── compare.ts           # compare_models（含 AA / Design Arena / 质量档 / 订阅行）
│   │   ├── recommend.ts         # recommend_model（预算 / 需求 / limit）
│   │   ├── estimate.ts          # estimate_cost（每 1M token 计价）
│   │   ├── batch.ts             # batch_get_pricing
│   │   ├── select.ts            # select_model_for_project（outputSchema + structuredContent）
│   │   ├── select-scoring.ts    # 选型核心纯逻辑（三档 / 打分 / 理由）
│   │   ├── whats-new.ts         # whats_new（since 解析 + 发布时间过滤）
│   │   ├── requirements.ts      # 预算档 / 需求词 → 硬过滤器（共享）
│   │   ├── suggest.ts           # 未命中相近模型建议（共享）
│   │   └── formatters.ts        # 共享 Markdown 格式化与标签映射
│   └── __tests__/               # vitest 单元测试（normalizer / percentiles / openrouter / opencode / quality / requirements / select-scoring）
├── scripts/
│   ├── smoke.ts                 # 冒烟测试（覆盖检查 + MCP 握手，断言 8 tool）
│   └── test-data-sources.ts     # 各源有效性 + 交叉匹配率测试
├── test-published-package.js    # 发布后 e2e（MCP SDK Client + StdioClientTransport）
├── .github/workflows/ci.yml     # CI：Node 18/20/22 矩阵 + build + vitest + 包洁净检查
├── socket.yml                   # Socket.dev 供应链配置
├── dist/                        # 构建产物（index.js / cli.js / *.d.ts）
├── package.json
├── tsconfig.json
├── LICENSE
└── README.md

数据源与排序原则

各类别排序依据

| 类别 | 排序依据（多级降序 / 过滤） | |---|---| | coding | SWE-bench Verified → Aider Polyglot → LiveCodeBenchV6 | | math | 官方能力榜数学 → AIME2025 → MMLU-Pro | | vision | 仅视觉模型：MMMU → VLM 官方榜（不含 Agent）→ 性价比 | | general | 竞技场 ELO → 官方能力榜 Average | | cost-effective | 排除免费模型，按 性能分 / blended 价格（0.3×输入 + 0.7×输出）降序 | | open-source | 仅开源模型：竞技场 ELO 降序 → 价格升序 | | speed | 输出价格升序（作为推理速度代理：越便宜通常越快） | | context-window | 上下文长度降序 | | reasoning | 仅支持推理的模型：GPQA-Diamond → 官方推理 → 竞技场 ELO |

list_top_models 默认多取 limit + 10 条再应用过滤；存在订阅过滤（subscription / free_only）时多取 limit + 50 条，确保过滤后仍能补足请求数量。

匹配与容错

• 规范化匹配：normalizeKey 统一小写、去 provider 前缀、去日期/thinking 后缀、空格转连字符、版本号 4-6 → 4.6；generateMatchKeys 额外生成 Claude 双向序变体；findMatch 做精确匹配 + 子串兜底。
• 保护规则：子串匹配要求两侧键均 ≥ 6 字符，避免短茎误吞无关模型；带视觉 token（vl / vision）的名称不会塌缩到非视觉基础模型。
• 百分位与质量档：对代码 / 数学 / 通用 / 视觉 / 性价比五类分别计算全库百分位；qualityTier 基于综合百分位（coding/math/general/vision 取最大）推导。
• 数据源监控：scripts/test-data-sources.ts 是哨兵，除网络与条目数阈值外，核心是各源到 OpenRouter 基座的交叉匹配率（上游改名或换字段会导致命中率塌方），并对低比率源设置绝对命中数兜底。

许可

MIT © 2026 model-advisor-mcp contributors