mcpField
L
llm-council

llm-council

github.com/gcpdevAgent 工作流485146 次安装42 周前更新
代码仓库

关于 llm-council

LLM Council 是在提出实施计划前征询 ChatGPT 和 Gemini 的技能。它汇总模型回复，与 Claude 的分析结合，提炼建议和顾虑并形成计划；使用需要配置 API 密钥。

主要功能

  1. 01查询 ChatGPT 和 Gemini
  2. 02比较建议与潜在顾虑
  3. 03结合 Claude 分析综合计划
  4. 04配置 API 密钥和模型选项
  5. 05调用失败时使用可用回复

适用场景

  1. 01为系统架构征求外部意见
  2. 02比较实施任务的不同方案
  3. 03将模型反馈纳入计划建议

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/gcpdev/llm-council-skill --skill llm-council

安装后在 Claude Code 中输入/llm-council确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

.env.template
references/
SETUP.md
scripts/
query_llms.py

详细介绍

LLM Council

在向用户提供实施计划前，咨询多个 AI 模型（ChatGPT 和 Gemini），获取它们的观点。

工作流

当用户请求咨询其他 AI 模型时，使用类似以下的措辞：

  • “就……咨询 ChatGPT 和 Gemini。”
  • “问问其他 AI 模型对……的看法。”
  • “听取理事会对……的意见。”
  • “咨询 LLM 理事会：[你的问题]”

流程：

  1. 查询外部 LLM：使用用户的提示词运行 scripts/query_llms.py，获取 ChatGPT 和 Gemini 双方的观点
  2. 分析回复：审阅各模型的建议，找出有价值的见解、替代方案和潜在问题
  3. 综合计划：制定实施计划，吸纳三个模型的最佳想法（Claude 自身的分析 + ChatGPT + Gemini）
  4. 呈现给用户：展示最终计划，并简要总结各模型的主要贡献

设置要求

此技能需要 API 密钥和可选的模型配置，并将其存储在工作目录中的 .env 文件里：

OPENAI_API_KEY=sk-...
GEMINI_API_KEY=...

# Optional: Specify which models to use (defaults shown below)
OPENAI_MODEL=gpt-5-nano
GEMINI_MODEL=gemini-3-flash-preview

默认模型：

  • ChatGPT：gpt-5-nano（速度最快、成本效益最高 - 每 1M 输入 token $0.05，每 1M 输出 token $0.40）
  • Gemini：gemini-3-flash-preview（兼顾速度与智能）

升级选项，助力更好的协作：

OpenAI 模型（按能力和成本排序）：

  • gpt-5-nano - 速度最快、成本效益最高（每 1M 输入 token $0.05，每 1M 输出 token $0.40）- 默认
  • gpt-5-mini - 对定义明确的任务而言速度更快、成本效益更高（每 1M 输入 token $0.25，每 1M 输出 token $2.00）
  • gpt-5.2 - 最适合编码和 Agent 任务（每 1M 输入 token $1.75，每 1M 输出 token $14.00）
  • gpt-5.2-pro - 更智能，在处理复杂问题时更精准（每 1M 输入 token $21.00，每 1M 输出 token $168.00）

所有模型均支持推理 token、400K 上下文窗口和图像输入。

Gemini 模型（按能力排序）：

  • gemini-2.5-flash-lite - 速度极快，针对吞吐量进行了优化
  • gemini-2.5-flash - 性价比最高，适合大规模处理
  • gemini-3-flash-preview - 兼顾速度与前沿智能（默认）
  • gemini-3-pro-preview - 智能水平最高的多模态模型，最适合复杂推理

更高阶的模型能提供更深入的分析，但每次 API 调用的成本也更高。

如果 .env 文件不存在或缺少密钥，请告知用户并提供设置说明。

使用示例

用户输入：“咨询理事会：我该如何为 IoT 传感器设计实时数据管道的架构？”

Claude 的流程：

  1. 执行：python3 scripts/query_llms.py "How should I architect a real-time data pipeline for IoT sensors?"
  2. 解析 ChatGPT 和 Gemini 返回的 JSON
  3. 分析它们的建议（例如，ChatGPT 建议使用 Kafka，Gemini 建议考虑边缘计算）
  4. 综合各模型的有价值见解，制定最终计划
  5. 向用户呈现经整合的计划，并注明观点来源

输出格式

自然地呈现最终实施计划，并在适当之处提及其他模型的关键见解。例如：

“根据向 ChatGPT 和 Gemini 的咨询，推荐采用以下架构：

[实施计划，并在文中适当注明观点来源，例如“ChatGPT 强调了……的重要性”或“Gemini 建议……”]

主要贡献：

  • ChatGPT：[简要总结]
  • Gemini：[简要总结]”

错误处理

  • 如果缺少 API 密钥，请告知用户并提供设置说明
  • 如果 API 调用失败，请说明哪个模型的观点不可用，并根据可用回复继续处理
  • 如果两个 API 都调用失败，请告知用户，并提出仅提供 Claude 自身分析、不进行外部咨询的方案

评论

支持 Markdown