Communitygithub.com

ariobarin/which-llm

Compétence agent pour la sélection de LLM actuelle basée sur les données d'Artificial Analysis et OpenRouter : qualité, prix, vitesse, contexte, slugs et options gratuites. Mise à jour quotidienne.

Qu'est-ce que which-llm ?

Cette compétence agent est conçue pour vous aider à choisir le meilleur modèle de langage (LLM) disponible au moment présent, en utilisant un instantané des données d'Artificial Analysis et OpenRouter mis à jour quotidiennement. Elle résout le problème des connaissances obsolètes sur les modèles en vous fournissant des informations fraîches sur la qualité, le prix, la vitesse, la taille du contexte, et les slugs d'API. La compétence prend en charge l'exécution de commandes dans un répertoire de travail spécifique, avec des sous-commandes pour la vérification de l'état des données, le rafraîchissement à la demande, la recherche de modèles, la comparaison côte à côte, l'obtention de noms de points de terminaison OpenRouter, et l'affichage détaillé d'un modèle. Elle est particulièrement utile pour les développeurs et les agents IA qui doivent recommander ou intégrer un LLM de manière éclairée en production ou en prototypage. Son fonctionnement repose sur des requêtes Python interrogeant un fichier de données local, et elle offre des filtres avancés pour affiner les résultats par intelligence, coût, latence, modalité, et disponibilité gratuite.

Compatible avec✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add ariobarin/which-llm

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait which-llm ?

Utilisez cette compétence lorsque vos connaissances sur les modèles peuvent être obsolètes. Elle interroge un instantané d'Artificial Analysis et OpenRouter intégré au projet et peut le rafraîchir à la demande.

Flux de travail

  1. Exécutez les commandes depuis ce répertoire avec python.
  2. Si la fraîcheur est importante, exécutez python query.py data status. Si l'instantané est obsolète, exécutez python query.py data refresh.
  3. Utilisez la commande la plus précise :
    • python query.py models [pattern] [filtres] pour des listes courtes.
    • python query.py compare <modèle>... pour des comparaisons côte à côte.
    • python query.py slug <modèle> pour les noms de points de terminaison OpenRouter.
    • python query.py show <modèle> avant de recommander un modèle spécifique.
  4. Expliquez correctement les champs de coût :
    • idx-run$ est le coût estimé pour exécuter la suite de benchmarks AA.
    • idx-tok est l'utilisation totale de jetons lors de l'exécution des benchmarks.
    • in$/1m et out$/1m sont les prix d'API par million de jetons.
  5. Préférez openrouter_slug pour la production. Mentionnez openrouter_free_slug uniquement comme option de prototypage car les points de terminaison :free peuvent être limités en débit ou servis différemment.

Recettes rapides

python query.py models --intel-min 50 --reasoning --sort cost --top 8
python query.py models --modality text,image --max-cost 500 --sort intel --top 8
python query.py models --no-reasoning --max-latency 6 --sort intel --top 8
python query.py models --context-min 256000 --sort cost --top 8
python query.py models --open-weights --sort intel --top 8
python query.py models --free --sort cost --top 20
python query.py compare claude-opus-4-7 gpt-5 gemini-3-1-pro
python query.py slug claude-opus-4-7

Utilisez python query.py models --help pour tous les filtres, y compris --json.

À ne pas utiliser pour

  • Évaluations de domaine ou benchmarks privés qu'AA ne suit pas.
  • Modèles si récents qu'AA ne les a pas encore indexés.
  • Tarification faisant autorité de fournisseurs non OpenRouter. Vérifiez ces prix auprès du fournisseur.

Skills associés