OpenSquilla

OpenSquilla 是一个 token 高效、微内核架构的 AI 智能体，把每个提示词路由到成本最低且能胜任的模型。它出现在「为你推荐」信息流里，一位用户分享：用固定模型与智能路由分别跑两个新项目，Token 消耗多了 18.9%，成本却依然降了 19.2%，因为真正决定成本的是每次调用落在哪一档模型。项目以 Apache 2.0 开源、可自托管，把持久记忆、分层沙箱、内置网页搜索与本地嵌入打包进同一套轮流执行循环。

核心功能

• 智能路由：ML 的路由器每轮对候选模型排序，简单提示走便宜档、复杂升档；混合特征分析把人工特征与基于嵌入的语义特征结合。
• 多模型融合：难题派发给多个候选并汇总结果，可超过任何单一模型；有成本感知的回退，单一模型可胜任时就跳过融合。
• 微内核架构：约 100 行的紧凑核心编排器，五层分离；能力全部可插拔，出错自动跳过并回滚。
• 四层持久记忆：不断积累上下文，让智能体永不从零开始。
• 本地嵌入：ONNX 端侧推理（离线、数据留在本地），可选 OpenAI 或 Ollama 后端。
• 多通道触达：终端、Web、Slack、Discord、Telegram、MS Teams、Matrix、飞书、钉钉、企业微信、QQ，一个配置智能体即可触达。
• 持久化调度：SQLite 支撑的会话，以及可解析 CronExpression 的定时调度。

适用场景

谁应该使用？

• 本地化部署团队：路由完全离线，数据不离网。
• 合规要求高的组织：三层策略，加上哈希决策日志与人工审批门。
• 预算受限的搭建者：让路由器选最划算的模型，在相同成本下跑更多任务。
• 多通道运营者：希望一个智能体同时触达多种聊天平台。

解决的问题

1. 前沿模型浪费：简单任务用昂贵模型是智能体栈中最大的可避免成本。
2. 单一模型天花板：一个模型很难同时擅长便宜与困难两类任务，路由与融合拓宽成本-质量边界。
3. 数据外泄风险：本地路由与端侧嵌入把敏感工作留在内网内。

定价方案

60-80% 的 token 成本节省是该项目的自行声明；与 OpenClaw、Hermes Agent 的对比也是其自有基准，建议仅作方向参考而非审计数据。

优势对比

1. 内容感知的选型：不同于固定主备的降级链，OpenSquilla 根据任务复杂度与执行状态按轮选择。
2. 带成本回退的融合：多模型汇总提升质量，但单个模型足够时就跳过重跑。
3. 可自托管且离线：ML 路由器在本地运行，路由决策可留在内网。

用户评价

"同样的预算，让智能体做更多的事。把最贵的智能用在最值得的地方，确实是一门工程。" — 「为你推荐」信息流中的深度体验用户

快速开始

1. 克隆仓库，从源码安装或取发行包。
2. 配置供应商：provider 层可连接 OpenRouter、OpenAI、Anthropic、Ollama、DeepSeek、Gemini、Qwen/DashScope 等约二十家。
3. 启动控制台：终端（agent）、Web UI，或选一个聊天通道。
4. 打开路由：路由器按轮定档；难题可选启用融合。

一手资料：OpenSquilla 官网、GitHub 仓库、功能目录。

常见问题

OpenSquilla 是模型还是框架？

是框架/运行时。它路由到你所配置的模型，本身不训练权重。

能完全离线运行吗？

可以。ML 路由与 ONNX 嵌入在本地运行；只有可选的网页搜索与托管供应商才会离开本机。

和 OpenClaw 比如何？

OpenSquilla 的自有表格把自身定位为「微内核＋ML 路由」，OpenClaw 则是「插件生态＋固定主备降级链」。这些是厂商声明，请在自己的任务上测试。

支持哪些供应商？

OpenRouter、OpenAI、Anthropic、Ollama、DeepSeek、Gemini、Qwen/DashScope 及约二十家，无需改 schema。

替代方案

• LangGraph：显式控制流的图式智能体框架。
• CrewAI：基于角色的多智能体框架。
• OpenCode：聚焦编码工作流的智能体 CLI。

使用技巧

1. 只在需要时启用融合：有成本回退，所以不必每次都付聚合的代价。
2. 设定供应商预算：按轮路由只有在你也限定消费档位时才有意义。
3. 把厂商对比当方向：节省与质量差值来自 OpenSquilla 自家的并排测试。

总结

OpenSquilla 面向那群已经相信「大多数回合不需要前沿模型」的团队。它把路由、记忆、沙箱、搜索与通道支持打包进一个可自托管的运行时，核心是你可以审视的 Apache 2.0 代码。如果你的痛点是固定模型计划在琐碎问题上烧积分，路由是最便宜的结构性解法，而 OpenSquilla 让它可配置且本地化。