Представьте себе сценарий, в котором ваш AI-агент пишет код, анализирует данные или генерирует контент, но время от времени заходит в тупик. Он сталкивается с неоднозначной архитектурной проблемой, сложным edge-case или требует проверки фактов, где цена ошибки слишком высока. Традиционный подход диктует два пути: либо использовать самую мощную и дорогую модель для всей задачи, что бьет по бюджету, либо оставить дешевую модель одну, рискуя получить галлюцинации или неоптимальные решения. OpenRouter предлагает элегантное третье решение — Advisor Tool.
Это не просто еще одна функция API, а фундаментальный сдвиг в парадигме взаимодействия с LLM. Advisor Tool позволяет любой модели-исполнителю (executor) в процессе генерации запросить консультацию у другой, более сильной модели (advisor). Исполнитель не просто получает ответ; он получает контекстуализированную рекомендацию, после которой продолжает работу, опираясь на новые знания. Это как иметь младшего разработчика, который не стесняется задавать вопросы старшему архитектору именно в тех моментах, где он неуверен.
В этой статье мы подробно разберем, как работает эта система, почему она экономически эффективна, как настроить «бригаду» специализированных советников и какие технические нюансы стоит учитывать при интеграции. Мы также рассмотрим, чем этот подход отличается от нативных инструментов других провайдеров и как адаптировать его для работы из России.
01Экономика внимания: значительная разница в цене и точечная консультация
Чтобы понять ценность Advisor Tool, нужно сначала взглянуть на математику стоимости токенов. В экосистеме OpenRouter существует огромный разрыв в ценах между моделями начального уровня и флагманами. Возьмем для примера Anthropic Claude Fable 5, который стоит $10 за миллион входных токенов. Теперь сравним его с OpenAI GPT-4o Mini, цена которой составляет всего $0.15 за миллион токенов.
Разница составляет 67 раз. Это колоссальная цифра. Большинство запросов к LLM не требуют уровня рассуждений, присущего моделям класса frontier (передового уровня). Простые задачи: форматирование текста, базовая классификация, генерация boilerplate-кода — отлично решаются дешевыми моделями. Однако те самые 10-20% задач, которые включают архитектурные решения, неоднозначные граничные случаи или многошаговые цепочки рассуждений, часто становятся «узким горлышком» для более простых моделей.
Рассмотрим пример агентской сессии по написанию кода, где происходит 50 вызовов инструментов. Если бы вы использовали только премиальную модель, вы бы заплатили за все 50 шагов по высокой ставке. С Advisor Tool, скорее всего, только 2-3 из этих 50 вызовов будут консультациями у советника. Остальные 47 шагов выполняются моделью-исполнителем по минимальной цене. В результате вы сглаживаете стоимость сессии, сохраняя при этом высокий потолок качества. Это позволяет масштабировать AI-решения без экспоненциального роста затрат.
02Архитектура взаимодействия: Серверное выполнение и роль консультанта
Технически Advisor Tool работает на стороне сервера в процессе генерации. Это означает, что модель-исполнитель не ждет, пока вы вручную запустите второй запрос. Процесс полностью автоматизирован внутри одного API-вызова.
Когда исполнителю требуется помощь, он вызывает инструмент, передавая в параметре prompt описание проблемы. Advisor (советник) обрабатывает этот запрос, «думает» и возвращает текст guidance (руководства) в качестве результата инструмента. Затем исполнитель продолжает генерацию, используя эту новую информацию для формирования окончательного ответа.
Важно понимать роль советника: он является консультантом, а не «ghostwriter» (автором-призраком). Советник не пишет финальный код или текст за исполнителя. Он дает рекомендации, которые исполнитель интегрирует в свой собственный вывод. Это сохраняет контроль над стилем и структурой ответа за основной моделью.
Есть четыре ключевых аспекта работы, которые необходимо учитывать разработчикам:
- Любая модель, любой провайдер. И исполнителем, и советником может быть любая модель из каталога OpenRouter. Вы можете запустить исполнителя на базе Gemini, который будет консультироваться у Claude, или исполнителя на GPT, который будет спрашивать DeepSeek. Вы полностью контролируете пару.
- Фиксация модели в конфиге. Вы можете закрепить конкретную модель советника в конфигурации инструмента через параметр
parameters.model. Также можно использовать плейсхолдеры, такие как~anthropic/claude-fable-latest, чтобы всегда обращаться к новейшей версии модели Fable, не обновляя код при выходе новых версий. - Советник со своими инструментами. Это мощная функция. Вы можете дать советнику доступ к инструментам, таким как
openrouter:web_search. В этом случае советник работает как суб-агент: он сначала ищет свежие источники в интернете, анализирует их и только затем возвращает обоснованный ответ. Это критически важно для задач, требующих актуальных данных. - Блокировка рекурсии. Чтобы избежать бесконечных циклов, где советник вызывает самого себя, система блокирует рекурсию. Есть заголовок глубины и проверка на самореференцию. Кроме того, количество консультаций ограничено на один запрос, что помогает контролировать расходы.
03Память и контекст: Как советник помнит прошлые консультации
Одной из самых сильных сторон Advisor Tool является способность сохранять контекст между з
Источник: OpenRouter ↗