---
name: model-mix
description: 高性能モデルを司令塔にして、調査・検索・要約・機械的な編集は安価な軽量モデルへ、重めの実装・デバッグは中間クラスのモデルのサブエージェントへ委譲し、トークン（≒料金）を節約するモデル使い分けルーチン。「トークンを節約して」「安いモデルで」「モデルを使い分けて」「サブエージェントにやらせて」と言われたときはもちろん、大量のファイル調査・横断検索・長いリサーチ・一括変換・大きめの実装など重い作業を始めるときは、明示されなくても必ずこのスキルを使う。
---

# model-mix — 高性能モデル × 中間モデル × 軽量モデルの使い分け

## このスキルがやること
自分（司令塔）が全部の作業を自分のモデルでやると、料金が高くつくだけでなく、読んだファイルや検索結果が**毎ターン入力として課金され続け**、コンテキストも汚れて長く走れなくなる。
このスキルは「作業の種類」に応じてタスクをサブエージェントへ振り分け、司令塔は判断・設計・統合・ユーザー対応だけに専念させる。節約が効く仕組みは2つ。
1. **安いモデルに作業を移す** — 同じ作業でも軽量モデルは司令塔モデルよりずっと単価が低い。
2. **司令塔のコンテキストを汚さない** — こちらの方が効果が大きい。サブエージェントに読ませて「結論だけ」受け取れば、司令塔は軽いまま長く走れる。

このスキルを使うと、司令塔は常に「これは自分でやるべきか、下の階層に投げるべきか」を先に判定してから動くようになる。判定基準は次の表に集約する。

## 使い分けの基準表
一般的な3階層（司令塔級／中間級／軽量級）で考える。実際のモデル名は使っているツールに合わせて読み替える（例：Claude系ならOpus級＝中間〜重、Sonnet級＝軽量〜中間、Haiku級＝最軽量）。

| 作業の種類 | 任せる先 | 目安 |
|---|---|---|
| ファイル横断の検索・コードの所在調査・構成把握 | 軽量モデル | 読み取り専用サブエージェント |
| ログ解析・長文の要約・リサーチの下読み | 軽量モデル | 汎用サブエージェント |
| 機械的な一括編集・定型コード・データ整形 | 軽量モデル | 汎用サブエージェント |
| 本格的なコード実装・デバッグ・リファクタ | 中間クラスモデル | 汎用サブエージェント |
| 単純な分類・抽出・テンプレ流し込みの量産 | 最軽量モデル | 汎用サブエージェント |
| 方向・設計の判断、最終レビュー、報告文の作成 | **司令塔本体（委譲しない）** | — |

迷ったら軽量モデルに投げてみる。結果が物足りなければ中間クラスや本体で引き取ればよい（安い方から試す方が期待値で得）。

補足として、モデル階層は一般に「重い（高性能・高単価）→中間→軽量（安価）」の順で並ぶ。同じ作業内容でも、階層が下がるほど1トークンあたりの単価は下がる一方、複雑な設計判断や曖昧な指示への対応力は落ちる傾向がある。そのため「作業内容が明確・機械的」なほど下の階層へ、「判断・統合・対話」ほど上の階層（司令塔本体）に残すのが基本方針になる。

## 手順
1. **専用サブエージェントがあれば優先して使う**（例：調査・横断検索用の読み取り専用エージェント、機械的一括作業用の編集エージェントなど）。役割固定で返答フォーマットも決まっていれば、毎回の指示が短くて済む。無ければ汎用サブエージェント＋モデル指定で代用する。
2. **独立した作業は同一ターンで並列に投げる**。直列に待つ理由がなければ並べる。
3. **プロンプトは自己完結にする**: 対象パス・目的・制約・期待する返答形式を明記する。サブエージェントはこの会話の文脈を見ていない。
4. **「結論だけ返す」指示を必ず入れる**: 「ファイル全文や長いログは貼らず、要点・該当箇所（パス:行）・判断材料だけ返して」。返答が長いと司令塔のコンテキストが汚れて本末転倒になる。
5. 並列で**同じファイル群を書き換える**場合のみ、作業ツリーを分離するオプション（worktree等）を使う。読み取りだけなら不要。
6. サブエージェントの返答はユーザーに直接見えないことが多い。必要な内容は司令塔が自分の言葉で報告文に載せる。
7. 委譲先が失敗・的外れだったら、粘らず司令塔本体で引き取る。

### 委譲しない（かえって損する）ケース
- **1〜2ファイルの軽い読み書き・場所が分かっている値の確認** → 直接読む。エージェント起動のオーバーヘッドの方が高くつく。
- **会話・相談・判断だけのターン** → 本体で即答。
- **破壊的操作や公開・共有・本番反映を含む工程** → 委譲しない。承認ルールを守り本体で扱う。
- 数十件規模の大規模ファンアウトはマルチエージェント構成も選択肢だが、トークンを大量消費するため**規模の見込みを先に一言伝えてから**実行する。

## 発動フレーズ例
- 「トークンを節約して進めて」
- 「この調査・一括修正はサブエージェントにやらせて」
- 「重い作業だから安いモデルで下ごしらえして」

## カスタマイズのヒント
- 使っているエージェント基盤（Claude Code / Codex / その他）に合わせて、モデル名と呼び出し方（サブエージェントの指定方法）をこのファイル内の該当箇所に書き換える。
- 専用サブエージェント（読み取り専用の調査役、機械的編集役など）を用意すると指示が短縮できる。用途別に2〜3種類作るのがおすすめ。
- 料金の目安は変動するため、必要なら自分の契約プランの最新単価表を別途メモしておき、このファイルには「安い順に試す」という判断ロジックだけを残す運用が壊れにくい。
- 事後報告には「（調査N件を軽量モデル、実装M件を中間モデルに委譲。本体は統合のみ）」のように1行添えると、何にコストを使ったか振り返りやすい。
- 最初は「使い分けの基準表」の行を自分の作業カテゴリに合わせて増減させ、迷ったときの既定（迷ったらどの階層か）だけ決めておくと運用がぶれない。
- 委譲した結果の質が安定してきたら、専用サブエージェントの指示文（役割・返答フォーマット）をテンプレ化して使い回すと毎回の指示コストも下がる。

> 配布元: AI探検隊 ｜ Discover AI（https://ai-tankentai.com/ai-skills）——実運用スキルの一般化版です。動作保証はありません。