Model Radar

Que fait Model Radar ?

CLI de sélection de modèles OpenRouter. Analyse des contraintes en langage naturel en arguments token:value, interroge un cache local des métadonnées des modèles + classements, et émet du JSON que l'agent affiche sous forme de tableau markdown.

Configuration

• Runtime : Node.js 18+ (aucune installation ni dépendance npm)
• Pas de clé API — utilise les endpoints publics d'OpenRouter
• Exécutez toutes les commandes depuis le répertoire de ce skill (celui contenant ce fichier)
• La première exécution remplit le cache depuis le réseau ; les appels suivants utilisent le cache local (TTL modèles 6h, TTL classements 24h)
• Les mises à jour automatiques sont activées par défaut. Chaque exécution CLI vérifie la source GitHub fixe au maximum une fois toutes les 24h et applique les mises à jour automatiquement pour les copies installées. Définissez MODEL_RADAR_AUTO_UPDATE=0 pour désactiver.

Flux de travail

0. Exécutez node scripts/self-update.js auto avant d'utiliser le skill. Si stderr affiche MODEL_RADAR_UPDATED, relisez ce SKILL.md avant de continuer.
1. Analysez la requête de l'utilisateur en arguments token:value à l'aide du mappage Intention → Jeton ci-dessous
2. Choisissez la commande : list (filtrer+trier), recommend (score pondéré par rapport à un préréglage), compare (côte à côte)
3. Exécutez depuis le répertoire du skill. scripts/main.js exécute également la même vérification préalable de mise à jour automatique, donc l'utilisation directe de la CLI reste à jour.
4. Affichez la sortie JSON sous forme de tableau markdown (voir Sortie)
5. Terminez par Data as of {fetched_at} ; suggérez refresh si plus de 12h

Commandes

node scripts/main.js list      [tokens...]    # filtrer + trier
node scripts/main.js recommend [tokens...]    # score pondéré par rapport à un préréglage
node scripts/main.js compare   <id|nom>...    # comparaison côte à côte
node scripts/main.js refresh                  # forcer le rafraîchissement des deux caches
node scripts/self-update.js status            # inspecter l'état de la mise à jour
node scripts/self-update.js check             # vérifier les mises à jour sur GitHub
node scripts/self-update.js apply             # appliquer la dernière mise à jour du skill

Mise à jour automatique

• La source est fixée par package.json.repository : primexiao/agent-skills, chemin skills/model-radar.
• Les copies installées se mettent à jour automatiquement. Les extractions de source ignorent la mise à jour automatique sauf si MODEL_RADAR_AUTO_UPDATE_SOURCE=1 est défini.
• Les modifications locales non validées dans le répertoire du skill entraînent l'ignorance de la mise à jour automatique.
• L'utilisation directe de scripts/main.js redémarre la commande en cours après une mise à jour automatique réussie, de sorte que le résultat soit produit par le code mis à jour.
• Les mises à jour utilisent une extraction temporaire, valident les fichiers requis, sauvegardent le skill actuel, remplacent les fichiers non runtime, et restaurent en cas d'échec.
• Les mises à jour réussies suppriment cache/raw.json, cache/models.json et cache/rankings.json afin que le nouveau code ne se mélange pas avec l'ancien cache de données.
• L'état de la mise à jour automatique et les avertissements vont sur stderr. La sortie JSON de la commande reste sur stdout.

Syntaxe des jetons

Arguments positionnels token:value inspirés de Tailwind. L'ordre n'a pas d'importance.

Jeton	Signification	Format de valeur	Exemples
sort	dimension de tri	mot préréglé (voir ci-dessous)	sort:cheap sort:popular
price	$/MTok mixte	..max / min.. / min..max / bare=max	price:..10 price:5..20
ctx	longueur de contexte	idem, suffixe k/m, bare=min	ctx:128k ctx:128k..1m
out	tokens de sortie max	idem, bare=min	out:32k
cap	capacités (ET)	séparées par des virgules	cap:tool_use,reasoning
in	modalités d'entrée (ET)	séparées par des virgules	in:image in:audio,image
gen	modalités de sortie (ET)	séparées par des virgules	gen:image gen:audio
open	filtre open-source	true / false	open:true
top	limite de résultats	nombre (défaut : list=20, recommend=3)	top:5
preset	préréglage de score (recommend seulement)	nom du préréglage	preset:coding

Valeurs sort : cheap expensive new (défaut) ctx popular throughput latency

Capacités : tool_use reasoning structured_output vision long_output prompt_caching web_search audio_input video_input file_input image_generation audio_output

Modalités d'entrée : text image audio video file Modalités de sortie : text image audio

Préréglages de recommandation : coding batch chat vision (voir config/presets.json pour les poids et les capacités requises)

Intention → Jeton

L'utilisateur dit	Jeton(s)
"budget 10 $" / "moins de 10 $"	price:..10
"au moins 10 $" / "haut de gamme"	price:10..
"au moins Nk de contexte"	ctx:Nk
"a besoin de tool use / vision / raisonnement"	cap:tool_use / cap:vision / cap:reasoning
"sortie structurée" / "mode JSON"	cap:structured_output
"peut prendre une entrée audio / image"	in:audio / in:image
"peut générer des images / de l'audio"	gen:image / gen:audio
"open source seulement"	open:true
"le moins cher" / "le plus abordable"	sort:cheap
"le plus populaire" / "tendance"	sort:popular
"le plus récent" / "dernier"	sort:new
"le plus rapide" / "latence la plus basse"	sort:latency
"débit le plus élevé"	sort:throughput
"agent de codage"	recommend preset:coding
"tâche par lot / en vrac"	recommend preset:batch
"agent de vision"	recommend preset:vision

Correspondance de modèles (compare)

Priorité de correspondance pour chaque argument de compare :

1. ID exact — anthropic/claude-sonnet-4-5
2. Suffixe exact — claude-sonnet-4 → anthropic/claude-sonnet-4 (jamais la variante -fast)
3. Sous-chaîne partielle sur id/nom, la version la plus récente gagne — claude-sonnet → dernier Sonnet

Sortie

Affichez toujours la sortie JSON sous forme de tableau markdown — les tableaux sont le format d'affichage principal.

list

| # | Modèle | $/MTok (P/C/Mixte) | Ctx | Sortie | Caps | Pop# |

• $/MTok : prix prompt / complétion / mixte
• Caps : étiquettes courtes (tool reason vision …)
• Pop# : rang de popularité si le cache des classements est frais, sinon —

recommend

| Rang | Modèle | Score | Coût↑ | Ctx↑ | Out↑ | Cap↑ | $/MTok | Caps |

Ajoutez une ligne de justification par modèle. Le score et les scores par dimension sont dans [0, 1].

compare

Tableau vertical — une colonne par modèle, une ligne par dimension :

| Dimension          | Modèle A | Modèle B | Modèle C |
| ------------------ | -------- | -------- | -------- |
| Prix (P/C/Mixte)   |   …      |   …      |   …      |
| Contexte           |   …      |   …      |   …      |
| Sortie max         |   …      |   …      |   …      |
| Modalités d'entrée |   …      |   …      |   …      |
| Modalités de sortie|   …      |   …      |   …      |
| Capacités          |   …      |   …      |   …      |
| Rang de popularité |   …      |   …      |   …      |
| Requêtes hebdo.    |   …      |   …      |   …      |

Terminez toujours par : Data as of {fetched_at}. Si plus de 12h, suggérez à l'utilisateur d'exécuter node scripts/main.js refresh.

Mise en cache

cache/
  raw.json       — données de la carte frontend OpenRouter adaptées au schéma brut local (TTL 6h)
  models.json    — enrichi : tarification normalisée + étiquettes de capacité (TTL 6h)
  rankings.json  — popularité / débit / latence + analyses d'utilisation (TTL 24h)
config/
  presets.json
  tier1-categories.json

• Les fichiers de cache résident sous cache/ et ne sont pas suivis — la première exécution contacte le réseau
• À l'expiration du TTL, la CLI récupère avec un délai d'attente de 10 s
• En cas d'échec de récupération, elle utilise le cache obsolète et émet [warn] sur stderr — ainsi les sandbox en lecture seule / hors ligne répondent toujours (éventuellement obsolètes)
• Une mise à jour automatique réussie du skill supprime les fichiers de cache des données de modèle. La prochaine commande modèle les repeuple.

Notes sur les sandbox

• Codex CLI : nécessite -s workspace-write (CLI écrit dans cache/) et un accès réseau sortant vers openrouter.ai. Dans la limite du TTL, aucun appel réseau.
• Premier appel dans un checkout frais est le seul qui nécessite strictement le réseau.
• La mise à jour automatique nécessite un accès en écriture au système de fichiers de ce répertoire de skill et un accès réseau à GitHub. Si indisponible, elle avertit ou ignore, et la commande modèle s'exécute toujours avec la copie locale actuelle.

Problèmes connus

• L'API frontend d'OpenRouter (/api/frontend/v1/models/find?active=true&fmt=cards) n'est pas officielle ; si elle échoue, la CLI utilise le cache obsolète lorsque disponible et émet [warn].

Sources de données

• Modèles : https://openrouter.ai/api/frontend/v1/models/find?active=true&fmt=cards
• Classements : même endpoint avec order=top-weekly, order=throughput-high-to-low et order=latency-low-to-high