ClawRouter يخفّض تكاليف واجهات LLM البرمجية من 47 دولارًا إلى 1.80 دولار في أسبوع: مراجعة للموجّه الذكي

يصطدم المطوّرون الذين يعتمدون بكثافة على واجهات LLM البرمجية في مشاريع الإنتاج بحقيقة غير سارة في كثير من الأحيان: جزء كبير من الطلبات الموجّهة إلى النماذج الرائدة الباهظة هو مهام بسيطة كان بوسع نموذج اقتصادي حلّها. هذا ما اكتشفه أحد كتّاب Habr: أنفق خلال أسبوع عمل واحد 47 دولارًا على واجهات LLM البرمجية، مع أن نصف الموجّهات (prompts) كان تافهًا بحسب تقديره الشخصي. وبعد تثبيت ClawRouter، وهو موجّه مفتوح المصدر لطلبات LLM، أعاد تشغيل الأسبوع نفسه بتكلفة 1.80 دولار. بلغ التوفير أكثر من 96%.

يقف خلف هذا الرقم منطق بسيط: المهام ليست كلها بالتعقيد نفسه، لكن في غياب التوجيه يُحاسَب كل طلب وفق تعرفة النموذج المختار بغضّ النظر عن تعقيده الفعلي. فإذا كنت تستخدم Claude Sonnet أو GPT-4o افتراضيًا لكل شيء، فأنت تدفع سعرًا مرتفعًا مقابل إجابات عن أسئلة تافهة وتحويلات نصية بسيطة.

تزداد أهمية مشكلة تكلفة واجهات LLM البرمجية مع انتقال المطوّرين من التجارب إلى أحمال الإنتاج. ففي مرحلة النموذج الأولي تكون التكاليف ضئيلة، أما في بيئة الإنتاج فتتصاعد بما يتناسب مع نشاط المستخدمين. وطلب واحد إلى GPT-4o أغلى بمقدار 20–30 ضعفًا من طلب مماثل إلى GPT-4o Mini، بينما لا يُلحظ فرق في جودة الإجابة في معظم المهام. وتبقى بنية «موجّه واحد ← نموذج واحد باهظ» هي الأكثر انتشارًا، وإن كانت الأقل مثالية.

ClawRouter خادم وسيط (بروكسي) مفتوح المصدر يقع بين تطبيقك ومزوّدي LLM. يخضع كل موجّه (prompt) وارد للتحليل وفق 15 معيارًا: تعقيد المهمة، وطول السياق وبنيته، والحاجة إلى الاستدلال خطوة بخطوة، والتعامل مع الشيفرة البرمجية، ومتطلبات تنسيق المخرجات، والحساسية للأخطاء، وغيرها من المؤشرات. وبناءً على هذا التصنيف يُوجَّه الطلب تلقائيًا إلى أرخص نموذج قادر على إنجاز المهمة بمستوى جودة مقبول.

يذهب السؤال البسيط إلى GPT-4o Mini أو Claude Haiku. أما الطلب المعقّد متعدد الخطوات فيذهب إلى GPT-4o أو Claude Sonnet. وتُوجَّه المهام التي تتطلب دقة عالية في الاستدلال أو عملًا دقيقًا على الشيفرة إلى النماذج العليا.

التكامل في أدنى حدوده: يتوافق ClawRouter مع صيغة OpenAI API، لذا يكفي تغيير عنوان URL الأساسي في شيفرة التطبيق، ولا حاجة إلى تغيير المنطق. ويدعم المزوّدين OpenAI وAnthropic وGoogle وعددًا من المزوّدين الآخرين.

من المزايا: يعمل التوجيه بصورة يمكن التنبؤ بها، وتوضّح السجلات المفصّلة سبب ذهاب طلب بعينه إلى هذا النموذج أو ذاك، ما يساعد على فهم التصنيف وتحسينه. كما يمكن ضبط القواعد بمرونة بحسب المشروع ونوع المهام.

ومن القيود: تُصنَّف الحالات الحدّية أحيانًا بصورة غير دقيقة، إذ يقلّل الموجّه من تقدير تعقيد المهمة ويوجّهها إلى نموذج أرخص، ما يخفض جودة الإجابة. وتتطلب مثل هذه الحالات ضبطًا يدويًا للقيم الحدّية.

تتوفر عدة أدوات ناضجة بديلة. يوفّر LiteLLM إمكانات غنية لإدارة عدة مزوّدين، وموازنة الحمل، ومنطق الرجوع الاحتياطي (fallback)، وتحليلات مفصّلة، لكن عتبة الدخول إليه أعلى. أما RouteLLM من Lmarena فيعتمد مصنِّفًا مدرَّبًا على بيانات حقيقية. وOpenRouter خيار سحابي لا يتطلب نشر بنية تحتية خاصة. ولكل حل مفاضلاته بين تعقيد الإعداد ومستوى التحكم وتكلفة طبقة التوجيه.

الخلاصة الأساسية: أحمال العمل الفعلية غير متجانسة. فطلب «صمّم معمارية نظام موزّع» وطلب «صحّح خطأ مطبعيًا في النص» يحتاجان إلى موارد مختلفة جذريًا، لكنهما يُعالَجان في غياب التوجيه بنموذج واحد باهظ. ويزيل التوجيه الذكي هذا الخلل تلقائيًا، دون تغيير في منطق التطبيق ودون خسارة في الجودة على المهام المعقّدة.

أما المطوّرون الأفراد والفرق الصغيرة التي تنفق 50 دولارًا فأكثر شهريًا على واجهات LLM البرمجية، فإن أدوات مثل ClawRouter تستردّ كلفتها خلال الأسبوع الأول. وفي الأحمال الأكبر قد يكون التوفير أكبر.