代理工作負載——規劃者、使用工具的巨型語言模型與評估者——根據任務、延遲和成本選擇並替換模型。過去開發者會選擇單一通用模型使用數月，現在協調者會路由至專用檢查點，嘗試多個候選並快取勝出者。這種機器對機器的消費偏好具清晰 API、穩定分詞、可預測函數調用結構及緊密工具整合的模型。文件品質、評估與遵守社群慣例日益決定代理人而非僅是人類的發現與採用。

每天數千新模型意味著幾乎無摩擦的實驗環境。但使用仍集中：少數模型吸引過度下載，生態系圍繞它們累積。平均部署模型因指令調教、視覺能力及工具感知檢查點而變大，儘管中位數仍輕量。團隊需同時準備兩端：快速小型模型應對控制迴路與介面延遲，較重模型處理複雜規劃，並確保互通性讓代理人能根據即時限制靈活升降級。

採用私有鏡像或註冊表以穩定可用性，並以提交哈希與明確分詞器版本鎖定。建立評估工具，包含任務專用黃金集、金絲雀測試與實際流量漂移偵測。定義任務延遲、吞吐量與成本的服務水準協議；依政策將代理人路由至不同模型池。加強防護：授權白名單、模型工件安全掃描與血統元資料。最後，建立回滾協議，若品質或合規信號下降，自動回復至最後已知良好檢查點。

代理人自動下載帶來經典開源風險的 AI 版本：模糊授權、冒名倉庫、未記錄訓練資料與無聲模型漂移。強制嚴格來源檢查（簽名版本、驗證維護者）、機器可讀授權驗證，以及追蹤資料集、預處理與微調血統的模型物料清單。對受管制工作流程，要求安全與偏見評估文件，並將未審核模型隔離於離線沙盒，待升級至生產前。

優先三大能力：（1）依任務層級政策（品質、延遲、成本）選擇模型的代理路由器，（2）頻繁模型資產與嵌入的磁碟/邊緣快取以降低輸出成本，以及（3）跨跨度的成本可觀察性，量化每次路由決策的商業影響。為每個 PR 加入輕量評估套件，並設置測試環境，讓代理人在升級前以真實提示與工具實戰測試候選檢查點。