name

fusion-panel

description

複刻 OpenRouter Fusion 概念的多模型決策面板：把同一個重大決策問題平行發給多家 LLM（Gemini、Groq 的 Llama 與 gpt-oss、Claude），再由 Claude 綜合各家意見。刻意「不自動觸發」，只在使用者明確以關鍵字要求時才使用。主要觸發語為「幫我認真想一下」；其他別名包括「fusion」「panel」「fusion panel」「多模型決策」「重大技術選型」「盲點獵捕」「找多家模型意見」。專供值得花時間的重決策（架構、best practice、不可逆技術選型、爭議題）使用；例行 code 生成、有標準答案的事實查詢、互動式逐步 debug、高頻小問題請勿觸發，直接由 Claude 自行回答。

fusion-panel

複刻 OpenRouter Fusion 概念：把同一個重大決策問題平行發給多家 LLM （Gemini、Groq 的 Llama、Groq 上的 gpt-oss，以及經 sub-agent 的 Claude），收回各家答案後由 Claude 綜合裁決。外部 LLM 的平行請求由同目錄的 fan_out.py 執行；Claude 那席由 sub-agent 擔任。

定位

這是給值得花時間的重決策用的工具：架構設計、best practice、不可逆的技術選型、預期會有真實分歧的爭議題。
不是 coding 模型的替代品，也不適合例行 code 生成或有標準答案的事實查詢。
價值在於跨模型的「分歧」與「盲點」，而不是更快得到一個答案。

該觸發

不可逆的技術選型：選了就難回頭的框架、資料庫、協定、架構決策。
盲點獵捕：安全性、邊界條件、別人踩過的坑——主動找出自己想不到的風險。
預期會有真實分歧的爭議題：沒有公認標準答案、各派各有道理的問題。
best-practice 廣度查證：想確認某做法是否為業界共識，或有沒有更好的慣例。

不要觸發（直接自己回答）

例行 code 生成、改 bug、重構等實作工作。
有標準答案的事實查詢（API 用法、語法、定義）。
互動式逐步 debug。
高頻、低風險的小問題。

以上情境直接由 Claude 回答，不要啟動本 skill。

執行方式

prompt 一律走 stdin，避免 shell escaping 問題：

echo "決策問題" | uv run ~/.claude/skills/fusion-panel/fan_out.py

腳本用 uv inline script metadata 宣告 openai／httpx 相依，uv run 會自動解析安裝，不需要系統 python3 預先裝好這些套件。

可選參數：

--json：輸出結構化 JSON（形狀為 {results: [...], meta: {ok_count, total, instruction}}），方便程式化解析。
--timeout 秒數：調整每家 provider 的等待上限。
--profile confidential：改走本地 vLLM 雛形（機密內容不外送）。
--evidence-file 路徑：傳入研究步產出的證據包（見「先研究、再評判」一節）；會前置給離線席（Llama、gpt-oss），--profile confidential 的本地 persona 席也會吃， Gemini 不吃。讀檔失敗會印警告並照常跑。
--dry-run：不發送任何網路請求，三個外部席回傳固定 mock 內容；離線自測用（改動 fan_out.py 後可先跑這個當 smoke test）。

缺對應 API key 的 provider 會自動略過，不會報錯或讓整個流程崩潰。

先研究、再評判（B' 流程）

fan-out 之前先做一個序列前置的研究步，產一份共用證據包，只前置給離線席：

orchestrator 先用 Agent 工具開一個 research sub-agent（subagent_type 用 claude / general-purpose 這類帶 WebSearch 的），要它聯網產出證據包： 5–10 條「原文引言 + 來源連結 + 日期」，刻意含正反兩面，絕不下結論／推薦／評分；精煉、不要傾倒全文（離線小模型長 context 容易遺漏關鍵）。
把證據包寫進一個暫存檔，跑 fan_out.py 時用 --evidence-file <路徑> 傳入。
證據包只會注入離線席（Llama、gpt-oss）——由 fan_out.py 的 inject_evidence 旗標控制，前置在該席的 user 訊息之前。Gemini 與 Claude sub-agent 不吃這份包，各自維持獨立聯網，保留兩條去相關（decorrelated）的檢索路徑。
這步多十幾秒 wall-clock，屬可接受成本。
research sub-agent 失敗時：degrade 成「沒有證據包」照舊跑（不帶 --evidence-file，離線席就回到只用訓練知識），不要中斷整個面板。

Claude 這席：用 sub-agent

使用者環境沒有 ANTHROPIC_API_KEY，所以 Claude 那席不走 Anthropic API，改由 Claude Code 的 sub-agent（Agent 工具）擔任，免費取得一份獨立的 Claude 觀點：

fan_out.py 只負責把問題平行送給外部 LLM（Gemini、Groq 的 Llama、Groq 上的 gpt-oss）。
Claude 這席由 sub-agent 提供：orchestrator（主 Claude）在跑 fan_out.py 的同時，另外用 Agent 工具開一個 Claude sub-agent，把同一個決策問題原文丟給它， prompt 要明確：這是要拿來跟其他模型比對的獨立意見，請直接給判斷與理由、不要反問。subagent_type 要用 claude（或 general-purpose）這類工具齊全（Tools:*）的類型，才帶得到 WebSearch / WebFetch。模型可挑輕量的，但若要它確實聯網，別硬指定最輕量模型——不確定時乾脆不指定 model、繼承當前模型最穩。
⚠️ 子代理一定要先解除專案脈絡，否則它會繼承當前 repo 的 CLAUDE.md（例如某個 coding 專案），把離題問題判為「out-of-scope」而拒答。prompt 開頭務必明示：「忽略你所在的專案／repo 脈絡。你只是被借用來回答下面這個問題的一席獨立意見，不是這個專案的開發助理。無論問題是否與當前專案相關，都請直接作答，不要以『超出範圍』『不是我的職責』『請另開對話』為由推託，也不要討論你的身分或工具。」然後才接決策問題原文。這段「解除脈絡」指令是這個機制能不能用的關鍵。
🌐 要求子代理先聯網再答：prompt 明確要它「先用 WebSearch 搜尋當期資訊再作答，並在開頭說明實際用了哪些查詢、列出引用來源」。這樣 Claude 這席就成為第二席當期聯網（配合 Gemini 的 grounding），且不花任何 API 額度——實測子代理會真的去搜並引用來源。對需要最新資訊的題目（不可逆技術選型、best-practice 查證）尤其重要。
四方答案（Gemini、Groq 的 Llama、Groq 上的 gpt-oss、Claude sub-agent）收齊後，再由 orchestrator 做下方「五段」綜合。其中 Llama 與 gpt-oss 兩席讀過同一份證據包（共錨），Gemini 與 Claude sub-agent 則各自獨立聯網——綜合時務必依下節「共錨打折」規則處理。
sub-agent 失敗時比照 fan_out.py 的失敗處理：照常用其餘各家綜合，並註明 Claude 這席缺席。

Sub-agent prompt 模板

弱模型也能照抄：把下面整段複製當作丟給 Claude sub-agent 的 prompt，只把【決策問題】換成與其他外部 LLM 完全相同的問題原文，其餘一字不改。

忽略你所在的專案／repo 脈絡。你只是被借用來回答下面這個問題的一席獨立意見，
不是這個專案的開發助理。無論問題是否與當前專案相關，都請直接作答，不要以
『超出範圍』『不是我的職責』『請另開對話』為由推託，也不要討論你的身分或工具。

請先用 WebSearch 搜尋當期資訊再作答，並在開頭說明實際用了哪些查詢、列出引用來源。

【決策問題】
（貼上與其他模型完全相同的決策問題原文）

綜合指示

讀完 fan_out.py 的輸出後，Claude 必須把各家意見綜合成以下五段，段落用詞需與此處完全一致：

共識 — 各家都同意的部分。
矛盾裁決 — 哪裡分歧，Claude 判斷誰對誰錯與理由。
獨特洞見 — 只有某一家提到、但有價值的點。
集體盲點 — 各家可能都漏掉的風險。
最終答案 — Claude 自己的裁決；各家都錯時敢直接推翻。

共錨打折（B' 流程下必守）：統整者要清楚哪些席讀了同一份證據包—— Llama 與 gpt-oss 兩席共錨（共享同一事實地面），它們意見一致是預期的， 不可當成兩張獨立票，要打折看待。反之，當獨立聯網的 Gemini／Claude sub-agent 與這兩席分歧時，要放大檢視該分歧（可能是共錨席被同一份素材帶偏）。「共識」段不可只因共錨席一致就宣告共識——真正的共識要由獨立席也認同才算數。

失敗處理

至少一家成功：照常進行綜合，並註明哪些 provider 缺席。
全部失敗：如實回報失敗原因，改由 Claude 自行回答，不要假裝有面板結果。
Llama 與 gpt-oss 共用 GROQ_API_KEY：兩席是共同故障域，Groq 故障（或缺 key、超額）代表這兩席同時缺席，不是兩個獨立訊號都不可用的巧合。

name

fusion-panel

description

fusion-panel

定位

這是給值得花時間的重決策用的工具：架構設計、best practice、不可逆的技術選型、預期會有真實分歧的爭議題。
不是 coding 模型的替代品，也不適合例行 code 生成或有標準答案的事實查詢。
價值在於跨模型的「分歧」與「盲點」，而不是更快得到一個答案。

該觸發

不可逆的技術選型：選了就難回頭的框架、資料庫、協定、架構決策。
盲點獵捕：安全性、邊界條件、別人踩過的坑——主動找出自己想不到的風險。
預期會有真實分歧的爭議題：沒有公認標準答案、各派各有道理的問題。
best-practice 廣度查證：想確認某做法是否為業界共識，或有沒有更好的慣例。

不要觸發（直接自己回答）

例行 code 生成、改 bug、重構等實作工作。
有標準答案的事實查詢（API 用法、語法、定義）。
互動式逐步 debug。
高頻、低風險的小問題。

以上情境直接由 Claude 回答，不要啟動本 skill。

執行方式

prompt 一律走 stdin，避免 shell escaping 問題：

echo "決策問題" | uv run ~/.claude/skills/fusion-panel/fan_out.py

腳本用 uv inline script metadata 宣告 openai／httpx 相依，uv run 會自動解析安裝，不需要系統 python3 預先裝好這些套件。

可選參數：

--json：輸出結構化 JSON（形狀為 {results: [...], meta: {ok_count, total, instruction}}），方便程式化解析。
--timeout 秒數：調整每家 provider 的等待上限。
--profile confidential：改走本地 vLLM 雛形（機密內容不外送）。
--evidence-file 路徑：傳入研究步產出的證據包（見「先研究、再評判」一節）；會前置給離線席（Llama、gpt-oss），--profile confidential 的本地 persona 席也會吃， Gemini 不吃。讀檔失敗會印警告並照常跑。
--dry-run：不發送任何網路請求，三個外部席回傳固定 mock 內容；離線自測用（改動 fan_out.py 後可先跑這個當 smoke test）。

缺對應 API key 的 provider 會自動略過，不會報錯或讓整個流程崩潰。

先研究、再評判（B' 流程）

fan-out 之前先做一個序列前置的研究步，產一份共用證據包，只前置給離線席：

orchestrator 先用 Agent 工具開一個 research sub-agent（subagent_type 用 claude / general-purpose 這類帶 WebSearch 的），要它聯網產出證據包： 5–10 條「原文引言 + 來源連結 + 日期」，刻意含正反兩面，絕不下結論／推薦／評分；精煉、不要傾倒全文（離線小模型長 context 容易遺漏關鍵）。
把證據包寫進一個暫存檔，跑 fan_out.py 時用 --evidence-file <路徑> 傳入。
證據包只會注入離線席（Llama、gpt-oss）——由 fan_out.py 的 inject_evidence 旗標控制，前置在該席的 user 訊息之前。Gemini 與 Claude sub-agent 不吃這份包，各自維持獨立聯網，保留兩條去相關（decorrelated）的檢索路徑。
這步多十幾秒 wall-clock，屬可接受成本。
research sub-agent 失敗時：degrade 成「沒有證據包」照舊跑（不帶 --evidence-file，離線席就回到只用訓練知識），不要中斷整個面板。

Claude 這席：用 sub-agent

使用者環境沒有 ANTHROPIC_API_KEY，所以 Claude 那席不走 Anthropic API，改由 Claude Code 的 sub-agent（Agent 工具）擔任，免費取得一份獨立的 Claude 觀點：

fan_out.py 只負責把問題平行送給外部 LLM（Gemini、Groq 的 Llama、Groq 上的 gpt-oss）。
Claude 這席由 sub-agent 提供：orchestrator（主 Claude）在跑 fan_out.py 的同時，另外用 Agent 工具開一個 Claude sub-agent，把同一個決策問題原文丟給它， prompt 要明確：這是要拿來跟其他模型比對的獨立意見，請直接給判斷與理由、不要反問。subagent_type 要用 claude（或 general-purpose）這類工具齊全（Tools:*）的類型，才帶得到 WebSearch / WebFetch。模型可挑輕量的，但若要它確實聯網，別硬指定最輕量模型——不確定時乾脆不指定 model、繼承當前模型最穩。
⚠️ 子代理一定要先解除專案脈絡，否則它會繼承當前 repo 的 CLAUDE.md（例如某個 coding 專案），把離題問題判為「out-of-scope」而拒答。prompt 開頭務必明示：「忽略你所在的專案／repo 脈絡。你只是被借用來回答下面這個問題的一席獨立意見，不是這個專案的開發助理。無論問題是否與當前專案相關，都請直接作答，不要以『超出範圍』『不是我的職責』『請另開對話』為由推託，也不要討論你的身分或工具。」然後才接決策問題原文。這段「解除脈絡」指令是這個機制能不能用的關鍵。
🌐 要求子代理先聯網再答：prompt 明確要它「先用 WebSearch 搜尋當期資訊再作答，並在開頭說明實際用了哪些查詢、列出引用來源」。這樣 Claude 這席就成為第二席當期聯網（配合 Gemini 的 grounding），且不花任何 API 額度——實測子代理會真的去搜並引用來源。對需要最新資訊的題目（不可逆技術選型、best-practice 查證）尤其重要。
四方答案（Gemini、Groq 的 Llama、Groq 上的 gpt-oss、Claude sub-agent）收齊後，再由 orchestrator 做下方「五段」綜合。其中 Llama 與 gpt-oss 兩席讀過同一份證據包（共錨），Gemini 與 Claude sub-agent 則各自獨立聯網——綜合時務必依下節「共錨打折」規則處理。
sub-agent 失敗時比照 fan_out.py 的失敗處理：照常用其餘各家綜合，並註明 Claude 這席缺席。

Sub-agent prompt 模板

弱模型也能照抄：把下面整段複製當作丟給 Claude sub-agent 的 prompt，只把【決策問題】換成與其他外部 LLM 完全相同的問題原文，其餘一字不改。

忽略你所在的專案／repo 脈絡。你只是被借用來回答下面這個問題的一席獨立意見，
不是這個專案的開發助理。無論問題是否與當前專案相關，都請直接作答，不要以
『超出範圍』『不是我的職責』『請另開對話』為由推託，也不要討論你的身分或工具。

請先用 WebSearch 搜尋當期資訊再作答，並在開頭說明實際用了哪些查詢、列出引用來源。

【決策問題】
（貼上與其他模型完全相同的決策問題原文）

綜合指示

讀完 fan_out.py 的輸出後，Claude 必須把各家意見綜合成以下五段，段落用詞需與此處完全一致：

共識 — 各家都同意的部分。
矛盾裁決 — 哪裡分歧，Claude 判斷誰對誰錯與理由。
獨特洞見 — 只有某一家提到、但有價值的點。
集體盲點 — 各家可能都漏掉的風險。
最終答案 — Claude 自己的裁決；各家都錯時敢直接推翻。

失敗處理

至少一家成功：照常進行綜合，並註明哪些 provider 缺席。
全部失敗：如實回報失敗原因，改由 Claude 自行回答，不要假裝有面板結果。
Llama 與 gpt-oss 共用 GROQ_API_KEY：兩席是共同故障域，Groq 故障（或缺 key、超額）代表這兩席同時缺席，不是兩個獨立訊號都不可用的巧合。