企业官网建设流程全解析

big-AGI 模型域自动解析（Editorial Auto-Picks）机制解析：三层降级链、编辑表与编译期类型安全

【免费下载链接】big-AGIAI suite powered by state-of-the-art models and providing advanced AI/AGI functions. Includes AI personas, AGI functions, world-class Beam multi-model chats, text-to-image, voice, response streaming, code highlighting and execution, PDF import, presets for developers, much more. Deploy on-prem or in the cloud.项目地址: https://gitcode.com/GitHub_Trending/bi/big-AGI

导读

big-AGI 中每个"模型域"（Domain，如primaryChat、codeApply、fastUtil、imageCaption）都需要一个可用的 LLM；当用户没有手动固定（Pin）某个模型时，系统会自动解析一个默认模型。本文基于 LLM-editorial-auto-picks.md 与仓库源码，完整剖析这条自动解析链路：用户固定（Pin）→ 编辑表推荐（Editorial pick）→ ELO/成本启发式（ELO/cost heuristic）的三层降级逻辑，并深入讲解"编辑表"（EditorialDefaults）如何以手工策展的跨厂商优先级提供可预测的默认值，以及整套机制如何借助 TypeScript 字面量联合实现编译期类型安全。读完后，你将能定位任意域模型的默认来源、理解编辑表条目的编写与匹配规则，并能在自己的模型选型模块中复用这套"策展优先 + 启发式兜底"的架构思路。

一、背景：什么是"模型域"，为什么需要自动解析

big-AGI 将不同的模型用途抽象为若干域（Domain），每个域代表一类固定场景。域标识符定义在 model.domains.types.ts 的DModelDomainId联合中，共 4 个：

• primaryChat：主聊天模型，用于 Chat 窗口，通常从对话历史推断或由 Persona 指定；
• codeApply：代码编辑器模型，用于应用代码变更及其他代码操作；
• fastUtil：快速工具模型，用于 Auto-Title、Summarize 等"快"特性，要求具备函数调用能力；
• imageCaption：图像描述模型，在把图片发送给主聊天模型之前先生成详细的文字描述。

每个域在 model.domains.registry.ts 中注册了规格（ModelDomainSpec），包括显示标签、autoStrategy（自动选择策略）、requiredInterfaces（必需接口列表）以及可选的fallbackDomain/editorialFallbackDomain。例如codeApply要求接口LLM_IF_OAI_Fn，imageCaption的自动策略是topVendorTopLlm并可在主域失败时回退到primaryChat。

当一个域需要模型、而用户没有显式固定时，系统调用llmsAssignmentsAutoModelId()（位于 store-llms-domains_slice.ts）解析默认模型。该函数按顺序尝试三层：Pin → Editorial pick → ELO/cost heuristic。

二、三层解析链（Resolution Layers）

第 1 层：Pin（用户固定）

modelAssignments[domainId]保存用户的显式固定。语义在assignDomainModelId()（store-llms-domains_slice.ts）中实现：

• 固定指向一个有效 LLM：直接使用；
• 固定为null：用户显式选择"该域不要模型"；
• 记录不存在：Auto 模式，进入第 2 层。

仓库中还配套实现了两条维护逻辑，保证 Pin 层始终干净：

• llmsAssignmentsPruneStale()（store-llms-domains_slice.ts）：当 LLM 全局列表（universe）发生变更或 store 重新水合时，剔除引用已不存在模型的固定项；被剔除的条目视同 Auto，在读取时重新解析；
• assignDomainModelAutoIfStale()（store-llms-domains_slice.ts）：同步期的维护操作，若固定指向的模型已不可见（被隐藏），则清除固定并退回 Auto。

第 2 层：Editorial pick（编辑表推荐）

llmsEditorialPickForDomain(domainId, filteredLlms)遍历编辑表（见下文"编辑表"一节），返回第一个与用户本地 LLM 列表匹配的(vendor, modelId)对。这一层是手工策展的跨厂商默认值来源，提供不依赖 ELO 或成本启发式的可预测结果。

值得注意的是，该函数支持一个可选的第三参数fallbackEditorialDomainId：当主域没有编辑条目、或条目全部不匹配时，可以转而检查备选域的编辑表。这个参数由域的editorialFallbackDomain规格驱动（model.domains.registry.ts），并在解析器中被传入（store-llms-domains_slice.ts）。

第 3 层：ELO/成本启发式（ELO/cost heuristic）

当编辑表没有任何条目匹配时，系统回退到按域配置（ModelDomainsRegistry中的autoStrategy）的两种策略之一：

• topVendorTopLlm：选择ELO 最高厂商中的 ELO 最高模型。实现见_strategyTopQuality()（store-llms-domains_slice.ts），直接取"厂商分组中第一个厂商的第一个模型"。被primaryChat、codeApply、imageCaption使用。
• topVendorLowestCost：在顶部厂商中选择成本最低（非免费）的模型，且优先选择带 ELO 评分的模型。实现见_strategyTopVendorLowestCost()（store-llms-domains_slice.ts）。被fastUtil使用。其设计假设是：最低非零成本通常落在最新模型上，而最新模型往往也是更好的模型。

两种策略共享同一套预处理：_groupLlmsByVendorRankedByElo()（store-llms-domains_slice.ts）把可见模型按厂商分组、组内按 ELO 降序、厂商之间按其最高 ELO 降序。成本排名costRank来自_getLlmCostBenchmarkFromPricing()（store-llms-domains_slice.ts），它基于一个假设性基准成本：10 万输入 token + 1 万输出 token的总价。注意 ELO 排序中cbaElo缺失的模型按 -1 处理（排最后），隐藏模型（isLLMHidden）直接不参与分组。

在进入三层解析之前，解析器还会先按域的requiredInterfaces收窄候选集：_allowedDomainLlms()（store-llms-domains_slice.ts）要求候选模型具备全部必需接口；但如果过滤后没有任何模型匹配，则放宽条件退回全量列表，避免"无模型可用"。

此外，同一文件中还提供了两个启发式入口：llmsHeuristicGetTopDiverseLlmIds()（按 ELO 跨厂商轮转取多样化的 Top 模型）与llmsHeuristicGetTopFastLlmIds()（按成本跨厂商轮转取低价模型，免费/0 成本模型被排到末尾）。它们体现了"多厂商多样性 + 兜底填充"的通用选型思路，与域解析共用同一套分组逻辑。

三、编辑表（Editorial Table）详解

编辑表位于 model.domains.editorial.ts，导出常量EditorialDefaults。

3.1 结构（Shape）

每个域映射到一个有序的{ vendor, modelId }数组。原文档的骨架如下：

export const EditorialDefaults = { primaryChat: [ { vendor: 'anthropic', modelId: 'claude-opus-4-7' }, { vendor: 'openai', modelId: 'gpt-5.5' }, { vendor: 'googleai', modelId: 'models/gemini-3.5-flash' }, // ... ], codeApply: [ /* ... */ ], // ... } as const satisfies _EditorialDefaultsTable;

对照当前仓库实际内容（model.domains.editorial.ts），表内条目持续迭代并带有详尽注释：例如primaryChat当前以claude-fable-5-1打头（注释记录了 2026-09-01 解除冻结、Bedrock 停留 5.1 需账号授权等背景），随后是claude-opus-5（2026-07-24 发布，1M 上下文、默认开启思考）、claude-opus-4-8、OpenAI 的gpt-6-astra（2026-09-03 旗舰）、gpt-5.6-sol、Gemini 系列models/gemini-3.7-flash等，末尾总是 NVIDIA NIM 的免费试用条目。codeApply域则把 Gemini Flash 系列与gpt-5.3-codex排在前面，体现"代码优化模型优先"的域意图。这些注释本身就是维护者留下的决策记录，是理解编辑表演变的第一手资料。

3.2 关键性质

• 数组顺序即跨厂商优先级。picker 返回第一个匹配项，不查询任何外部 ELO 排名——一个 Gemini 模型可以夹在两个 Anthropic 条目之间，反之亦然。这在源码注释中反复强调："Array order IS the cross-vendor precedence - any vendor's model can be sandwiched between picks from other vendors."
• 按域定制列表。每个域独立编排，反映域用途（如codeApply偏好代码模型、fastUtil偏好廉价快速模型、imageCaption偏好视觉模型）。
• 没有条目的域直接落入第 3 层（ELO/成本启发式）。
• NVIDIA NIM 条目固定在每个域列表尾部：它是免费试用端点，所以只要配置了付费厂商，付费厂商一定先命中；只有完全没有付费厂商时 NIM 才作为兜底。注释同时记录了多次 EOL 清理（如deepseek-v4-pro在 NVIDIA 上 410 Gone、z-ai/glm-5.2于 2026-08-24 EOL 被移除）。

3.3 匹配逻辑（宽容匹配）

_editorialMatch()（model.domains.editorial.ts）对llm.initialParameters.llmRef依次尝试三种匹配，以容忍日期后缀与 OpenRouter 的点号 ID：

1. 精确匹配：llmRef === editorialId；
2. 前缀匹配：llmRef.startsWith(editorialId)，用于处理厂商追加的日期后缀（如-20250514）；
3. 点/横线等价匹配：llmRef.replace(/\./g, '-') === editorialId.replace(/\./g, '-')，用于 OpenRouter 的anthropic/claude-fable-5.1与编辑表中的anthropic/claude-fable-5-1之间的对应。

注意匹配基于llmRef（模型的初始参数引用），而非DLLMId，注释明确指出了这一点（被注释掉的备选实现llm.id === editorialId有意未启用）。

3.4 picker 实现要点

llmsEditorialPickForDomain()（model.domains.editorial.ts）按声明顺序遍历EditorialDefaults[domainId]，用llm.vId === vendor && _editorialMatch(llm, modelId)找第一个命中；无命中返回undefined，由调用方（自动解析器）落入 ELO/成本策略。主域无条目时按前述fallbackEditorialDomainId逻辑退到备选域。

3.5 域系统之外的编辑建议：视频输入提示

编辑表文件还额外承载了一个域系统之外的"能力建议"：llmsEditorialVideoInputPick()（model.domains.editorial.ts）在用户粘贴视频 URL 且当前模型不支持视频输入时，推荐一个可看视频的模型。它只考虑 Gemini 家族（原生googleai或llmRef含gemini的服务，如 OpenRouter 的google/gemini-*），因为"URL 视频（YouTube 抓取）是 Gemini 的能力"；排序规则为：可见优先于隐藏、pubDate最新优先、原生 Google AI 服务优先。对应的提示文案EditorialVideoInput由 composer 在视频粘贴场景下展示。

四、类型安全链（Type-Safety Chain）

编辑表的每个modelId都在编译期受限于该厂商已知模型 ID 的字面量联合，这是整套机制最重要的工程质量保障。

4.1 厂商模型 ID 类型如何派生

各厂商模型文件通过llmsDefineModels()（定义于 models.mappings.ts，OpenAI 风格厂商使用其预实例化版本llmsDefineManualMappings）导出一个const数组，再从数组推导字面量联合。例如 xAI：

// in xai.models.ts (L16) export type LlmsXAIModelId = typeof _knownXAIChatModels[number]['idPrefix'];

llmsDefineModels<TElem>()工厂保留数组的 const 类型，因此联合会追踪数组中每个idPrefix（或id）字面量。在厂商文件中增删模型会自动更新联合类型，编辑表侧的旧 ID 随即在编译期报错。Anthropic 与 Gemini 因按id而非idPrefix组织，其类型推导分别见 anthropic.models.ts 与 gemini.models.ts。

4.2 编辑表的判别联合

model.domains.editorial.ts 声明了按vendor判别、将modelId绑定到对应厂商类型（或string）的联合：

type _EditorialPick = | { vendor: 'anthropic', modelId: LlmsAnthropicModelId } | { vendor: 'openai', modelId: LlmsOpenAIModelId } | { vendor: 'bedrock', modelId: `${'us.' | 'global.'}anthropic.${LlmsAnthropicModelId}${'' | '-thinking' | '-v1:0'}` } | { vendor: 'openrouter', modelId: `anthropic/${LlmsAnthropicModelId | 'claude-haiku-4-5'}` | `google/${string}` | `openai/${LlmsOpenAIModelId}` } // ... ;

对比原文档的示意版本，当前源码对动态厂商也做了更精细的约束：Bedrock 的modelId被收窄为us./global.前缀 + Anthropic 模型 ID + 可选-thinking/-v1:0后缀的模板字符串类型；OpenRouter 则限定为anthropic/、google/、openai/三种前缀。这比单纯的string更严格，但依旧为运行时发现的模型保留余地。

同时存在一条编译期断言（model.domains.editorial.ts）：

const _assertEditorialVendorsAreValid: [_EditorialPick['vendor']] extends [ModelVendorId] ? true : never = true;

它保证联合中每个厂商字面量都必须是合法的ModelVendorId。

4.3 编译器能捕获什么

• 厂商名拼写错误（如'oepnai'）：触发_assertEditorialVendorsAreValid断言失败；
• 厂商与模型不匹配（如{ vendor: 'anthropic', modelId: 'gpt-5.5' }）：判别联合收窄失败；
• 厂商下线模型后编辑表残留旧 ID：LlmsXxxModelId随厂商已知模型数组自动更新，旧 ID 不再属于联合，编译报错。

4.4 厂商覆盖范围

• 静态厂商（富字面量联合）：Anthropic、OpenAI、Gemini（googleai）、xAI、Z.AI、Moonshot、DeepSeek、NVIDIA NIM（nvidianim），提供最强的编译期保证；
• 动态厂商：OpenRouter、Bedrock 的模型列表在运行时发现，modelId用string或模板字符串放宽约束；
• 其余已注册厂商（Alibaba、ArceeAI、Azure、ChutesAI、FastAPI、FireworksAI、Groq、LLMAPI、Novita、TogetherAI）同样通过llmsDefineManualMappings导出LlmsXxxModelId类型，但其已知模型数组目前可能为空——llmsDefineModels的基元素类型退化为TElem而非never（models.mappings.ts 的注释解释了这一点），机制保持就绪，未来可直接补充编辑条目；
• MiniMax、Perplexity 使用按id键控的ModelDescriptionSchema[]数组，而非idPrefix，但同样的 const 追踪机制适用。

五、向外的纵深：pubDate 编辑轴与未策展标记

编辑表只是 big-AGI 对模型元数据编辑控制的一个维度。围绕"每模型元数据"还有另一条编辑轴——pubDate（发布时间）、策展描述、chatPrice、benchmark、parameterSpecs等字段的保证与取舍，详见同目录的 LLM-editorial-pubdate.md。简要关联如下：

• pubDate（'YYYYMMDD'格式字符串，字段定义见 llms.types.ts）在编辑条目中保证输出；Anthropic 与 Gemini 的 0-day 模型分别由llmsAntCreatePlaceholderModel()（anthropic.models.ts）与geminiModelToModelDescription()（gemini.models.ts，未知模型回退到formatPubDate()）兜底填充；
• 客户端侧，getLLMPubDate()与isLLMRecentlyPublished()（llms.types.ts）驱动 "new" 徽标与排序（LLM_RECENTLY_PUBLISHED_DAYS = 45）；
• [?]未策展标记（llmsLabelUncurated()/llmsIsLabelUncurated()，models.mappings.ts）用于标注"列表 API 无法确定该模型是什么"的 ID-only 目录，与"尚未策展"是不同的语义——它由llm-registry-sync等下游消费，避免把视频/TTS/Embedding ID 误当作聊天模型发布。

六、相关文件速查

七、结语：这套机制的工程价值

回顾整条链路，big-AGI 的域模型自动解析体现了三个可复用的设计原则：确定性优先——手工策展的编辑表让"默认模型"可预期、可解释，不依赖波动中的 ELO/成本数据；分层兜底——Pin → Editorial → Heuristic 逐级降级，任何一层失效都有下一层接住，且通过fallbackDomain/editorialFallbackDomain提供域间兜底；类型即文档——借助llmsDefineModels的 const 追踪与判别联合，把"厂商模型清单"与"编辑表"在编译期绑定，增删模型、拼写错误、跨厂商错配都在构建期暴露。理解这套机制后，无论是排查"为什么自动选了这个模型"，还是为新增域编写编辑条目，都有明确的代码路径可循。

【免费下载链接】big-AGIAI suite powered by state-of-the-art models and providing advanced AI/AGI functions. Includes AI personas, AGI functions, world-class Beam multi-model chats, text-to-image, voice, response streaming, code highlighting and execution, PDF import, presets for developers, much more. Deploy on-prem or in the cloud.项目地址: https://gitcode.com/GitHub_Trending/bi/big-AGI