tierline

Вставьте промпт. Узнайте, какая модель на самом деле должна его выполнять.

$ npx tierline "summarise these 4000 support tickets into themes, we run this nightly" -n 100000

  Gemini  Gemini 3 Flash Lite   text / minimal tier
  The floor. Routing, tagging, dedupe.

  $0.000162 per call
  at 100,000 calls a month  $16.22
  everything through Claude Opus 5  $3,033
  saves $3,017 a month, 99%

Большинство команд выбирают одну фронтирную модель и отправляют на неё всё. Это самая дорогая привычка в ИИ-бюджете, потому что большинство продакшн-промптов — это преобразования, с которыми модель, стоящая в сотню раз дешевле, справилась бы идентично.

tierline читает промпт, определяет, что на самом деле требуется для задачи, и называет самую дешёвую модель, которая соответствует этому уровню.

Установка

npx tierline "your prompt here"

Или клонируйте репозиторий и запустите веб-интерфейс:

git clone https://github.com/jayj221/tierline.git
cd tierline
npm test
node server.js

Никаких зависимостей, никакого этапа сборки, никакого API-ключа. Он никогда не вызывает модель, он только решает, какую модель вам следует вызвать.

Related MCP server: LLM Benchmark MCP Server

Как определяется уровень

Четыре сигнала, применяемые по порядку.

Важность перевешивает объём. Промпт, который ежедневно проверяет каждую запись пациента, имеет высокий объём и высокую важность, и нижняя граница побеждает, потому что экономия на этом — не экономия.

Модальность определяется первой: голос, видео, изображение, музыка, транскрипция, репозиторий, поиск или обычный текст. Задача озвучивания никогда не получит текстовую модель, а рефакторинг репозитория никогда не получит модель без контекстного окна, способного его вместить.

Библиотека

import { recommend, classify } from 'tierline';

const r = recommend('architect a multi region failover and reason through the trade-offs', {
  monthlyCalls: 2000,
});

r.pick.label          // 'Gemini 3 Pro'
r.pick.costPerCall    // 0.012829
r.task.tierName       // 'frontier'
r.economics.savedPct  // 87
r.cautions            // things the model cannot know about your situation

classify(prompt) возвращает только оценку задачи, если вы хотите подключить к ней свой собственный каталог.

MCP

Зарегистрируйте его, и ваш агент-кодировщик сможет проверять себя, прежде чем тратить фронтирные токены на задачу, которая в них не нуждалась.

{ "mcpServers": { "tierline": { "command": "npx", "args": ["-y", "tierline", "mcp"] } } }

tierline_pick_model принимает промпт и возвращает рекомендацию. tierline_catalogue выводит список моделей.

Цены

Цены находятся в src/models.js в виде одной редактируемой таблицы. Это прейскурантные цены в долларах США за миллион токенов, или за символ, секунду, изображение, минуту или трек, если поставщик выставляет счёт таким образом.

Это моментальный снимок, а не потоковая лента. Поставщики меняют их без уведомления, а согласованные корпоративные тарифы отличаются, иногда существенно. Отредактируйте этот файл, прежде чем кто-либо будет принимать бюджетные решения на основе выходных данных, и рассматривайте проценты как ориентир, а не как точную цитату.

Чем это не является

Это не прокси. Он не находится на пути ваших запросов, не хранит ваши ключи и ничего не пересылает. Он отвечает на вопрос и уходит с дороги.

Он не учитывает место хранения данных, условия их хранения, одобрение поставщика или ограничения скорости. Эти факторы исключают модели независимо от цены, и tierline сообщает об этом в предупреждениях, а не делает вид, что это не так.

Классификатор основан на правилах по формулировкам, а не на обученной модели. Это осознанный компромисс: вы можете прочитать каждое правило в src/classify.js и поспорить с ним, что важнее нескольких процентов точности, когда на выходе — бюджетное решение. Если вам нужен обученный маршрутизатор на пути запросов, RouteLLM и OpenRouter Auto отлично с этим справляются, и tierline с ними не конкурирует.

Где он находится

Маршрутизация моделей — это насыщенная область, но она делится на три группы, которые мало пересекаются.

Прокси-серверы вывода, такие как OpenRouter Auto, RouteLLM и LiteLLM, находятся на пути запросов и переключаются между текстовыми LLM во время вызова. Калькуляторы стоимости, такие как AICost.ai и WeCompareAI, оценивают стоимость уже выбранного стека. Агрегаторы, такие как Oakgen, объединяют множество модальностей под одним пулом кредитов.

tierline — ни то, ни другое, ни третье. Он работает до вызова, охватывает модальности, а не только текстовые LLM, выбирает как инструмент, так и уровень, и прогнозирует ежемесячный счёт по сравнению с базовым сценарием «флагман для всего». Эти компоненты существовали по отдельности. Их комбинации не было.

Тесты

npm test

24 проверки: классификация, нижние и верхние границы уровней, исключение инструментов с посадочной ценой из ранжирования за вызов, монотонное масштабирование и корректность структуры каталога.

Лицензия

MIT