作者在 MLH 用开源的 benchspec 给 AI 编码 Agent 打分，其中关键一环是路由分类器：读一条检查项，决定交给便宜的代码校验还是交给 LLM 裁判。两类错误的代价并不对等——把代码能做的事丢给裁判只是多花几美分，把代码验不了的事交给代码则会让坏结果报绿，损失的是用户信任，所以原则是「拿不准就交给裁判」。他实测了当时最受追捧的决策模型 Jev 与没人讨论的 Gemini Flash-Lite：Jev 在八个真实检查项里出现了三次危险的误判，而 Flash-Lite 承担了他 99% 的月度 LLM 调用，每次不到一秒、每百万输入 token 只要 0.30 美元。