设计即信任：面向透明、成本感知LLM路由的技能画像

大语言模型（LLM）从业者应如何为任务选择合适的模型而不浪费资金？我们提出BELLA（Budget-Efficient LLM Selection via Automated skill-profiling），一个通过可解释的基于技能的模型选择、为任务推荐最优LLM选择的框架。标准基准报告的是汇总指标，掩盖了任务究竟需要哪些具体能力、以及更便宜的模型是否已经足够。BELLA通过三个阶段弥合这一差距：(1)分解LLM输出，并利用基于评论者（critic）的画像提取所需细粒度技能；(2)将技能聚类为结构化的能力矩阵；(3)通过多目标优化选择合适的模型，在遵守预算约束的同时最大化性能。BELLA为推荐提供自然语言理由，提供了当前黑盒路由系统所缺乏的透明度。我们描述了该框架的架构，将其置于LLM路由与评估的整体图景之中，并讨论其在金融推理上的应用——这是一个代表性领域，展示出多样的技能需求与模型间的成本差异。我们的框架使从业者能够为部署LLM做出有原则的成本—性能权衡。