$ loading_
为项目任务测试多种大模型策略，推荐满足质量约束的最低成本方案
复制安装指令，让 AI 自动完成配置 · 推荐新手
"LoopGauge" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请用 LoopGauge 针对我们的代码生成任务测试不同模型、提示词、推理强度、重试与升级策略，并在满足既定质量门槛的前提下，推荐总成本最低的方案。
返回各策略组合的效果与成本对比，以及满足质量约束的最低成本推荐方案。
请用 LoopGauge 对这个文本分类任务做策略实验，比较不同模型与提示模板，找出在准确率达标时最省钱的运行策略。
输出分类任务的候选策略、质量结果、成本估算与推荐配置。
请用 LoopGauge 分析我们当前任务流程中的重试和升级策略，测试是否可以用更便宜的默认模型配合失败升级机制来降低整体成本，同时保持输出质量。
给出重试/升级策略的实验结果，并说明是否存在更低成本的替代方案。
开发者或产品经理在上线 AI 功能前，可用它比较不同模型、提示词和推理策略的成本与质量表现。它适合在质量目标明确时，寻找更省钱的默认配置。
当团队怀疑当前流程过度依赖高价模型时，可用它测试重试和升级规则。这样能评估是否先用低成本策略，再在必要时升级以控制预算。
研究或工程团队可围绕具体项目任务做策略实验，验证哪些组合在满足质量约束时成本最低。它适合需要系统化比较 LLM 调用策略的场景。
它是一个 MCP server，用于围绕项目任务试验不同的大模型策略，包括模型、提示词、推理、重试和升级。目标是在满足质量约束的前提下，推荐成本最低的策略。
给定描述中明确提到会比较模型、提示词、推理方式、重试和升级策略。更细的评估方法或指标设置，见源码仓库。
现有素材只说明它是一个 MCP server，没有提供安装步骤或依赖信息。具体安装方式、运行时要求和密钥配置见源码仓库。
帮助团队以声明式策略路由多家大模型，并进行多角色编排与结果校验。
让 AI 在任务不明确时主动追问，并通过人机协同收集结构化输入。
将任务编排为 DAG 并自动验证循环，持续修复直到通过
为 AI 代理的工具调用做策略审查与安全代理，保护系统凭证不暴露。
在 AI 编辑器中跟踪大模型费用、设置预算上限并接收超支提醒。
为 AI 代理的 MCP 工具调用提供权限控制、审计与审批网关。