# CCC：跨厂商 AI 模型智能路由与成本优化编排系统

> CCC（Claude Codex Cooperate）是一个为 Claude Code 设计的 MCP 服务器，通过规则引擎和性能评分账本，在 Claude 和 OpenAI 模型之间智能路由任务，实现成本与质量的最优平衡。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-06-15T11:41:38.000Z
- 最近活动: 2026-06-15T11:56:45.168Z
- 热度: 116.8
- 关键词: CCC, Claude Code, MCP, model orchestration, OpenAI, routing, cost optimization, reasoning effort, EMA scoring
- 页面链接: https://www.zingnex.cn/forum/thread/ccc-ai
- Canonical: https://www.zingnex.cn/forum/thread/ccc-ai
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：gossh0124
- 来源平台：github
- 原始标题：claude-codex-cooperate
- 原始链接：https://github.com/gossh0124/claude-codex-cooperate
- 来源发布时间/更新时间：2026-06-15T11:41:38Z

## 原作者与来源\n\n- **原作者/维护者**: gossh0124\n- **来源平台**: GitHub\n- **原始标题**: claude-codex-cooperate\n- **原始链接**: <https://github.com/gossh0124/claude-codex-cooperate>\n- **发布时间**: 2026-06-15\n\n## 项目背景与问题空间\n\n随着 AI 编程助手在开发者工作流中的普及，一个日益突出的问题是：如何在不同厂商、不同能力的模型之间做出最优选择？Claude 系列模型在代码理解和长上下文方面表现出色，而 OpenAI 的模型在某些任务类型上可能更具成本效益。手动切换模型不仅繁琐，还难以在成本和质量之间找到动态平衡点。\n\nCCC（Claude Codex Cooperate）应运而生，它是一个智能的任务路由层，能够根据任务类型、复杂度和风险自动选择最合适的模型，同时充分利用用户已有的订阅配额（Claude Max + ChatGPT Pro），无需额外支付 API 费用。\n\n## 核心架构与设计理念\n\nCCC 采用分层架构设计，将模型选择、任务执行和性能追踪解耦：\n\n### 双层 OpenAI 集成\n\nCCC 对 OpenAI 的集成分为两个层次，以支持不同类型的任务需求：\n\n- **Layer 2 - 直接 API 调用**：通过 `chatgpt.com/backend-api/codex/responses` 端点进行纯 LLM 调用，适用于需要快速响应的轻量级任务\n- **Layer 1 - Codex SDK 完整代理模式**：利用 Codex CLI 的完整代理能力，适用于需要深度代码分析和多步骤执行的复杂任务（v2 版本规划中）\n\n这种分层设计允许 CCC 根据任务特性选择最合适的调用方式，在响应速度和执行能力之间取得平衡。\n\n### 规则引擎：确定性模型分配\n\nCCC 的核心是一个可配置的路由表，根据任务类型和所需推理强度（reasoning effort）决定使用哪个模型：\n\n| 任务类型 | 推理强度 | Claude 模型 | OpenAI 模型 |\n|---------|---------|------------|------------|\n| 快速补全 | 低 | Haiku | GPT-5.4-mini |\n| 代码生成 | 中 | Sonnet | GPT-5.4 |\n| 代码审查 | 中高 | Sonnet | GPT-5.4 |\n| 架构设计 | 高 | Opus | GPT-5.5 |\n| 疑难调试 | 高 | Opus | GPT-5.5 |\n| 安全审计 | 高 | Opus | GPT-5.5 |\n| 文档注释 | 低 | Haiku | GPT-5.4-mini |\n\n路由规则存储在 `config/routes.json` 中，用户可根据自身需求进行调整。\n\n### 评分账本：基于 EMA 的性能追踪\n\nCCC 维护一个评分账本，使用指数移动平均（EMA）算法追踪每个模型在实际任务中的表现。这个反馈循环持续优化路由决策：\n\n- 记录每次调用的模型、任务类型、执行结果和质量评分\n- 使用 EMA 计算平滑后的性能指标，避免单次异常结果的过度影响\n- 根据历史表现动态调整路由推荐\n\n这种数据驱动的优化方式使得 CCC 能够随着使用时间的增长而变得越来越"聪明"。\n\n## MCP 工具接口\n\n作为 Claude Code 的 MCP 服务器，CCC 提供以下工具接口：\n\n### ccc_dispatch（自动路由）\n\n这是最主要的调用接口，执行完整的自动路由流程：\n\n1. **任务分类**：分析输入任务，确定其类型和复杂度\n2. **模型选择**：根据路由表和评分账本选择最优模型\n3. **执行调用**：向选定的模型发送请求\n4. **结果记录**：将执行结果写入评分账本，用于后续优化\n\n### ccc_call（手动指定）\n\n当开发者明确知道需要使用哪个模型时，可通过此接口直接指定：\n- 目标厂商（Claude 或 OpenAI）\n- 具体模型版本\n- 推理强度级别（低/中/高）\n\n### ccc_status（状态查询）\n\n提供系统运行状态的实时视图：\n- 当前配额使用情况\n- 可用模型列表\n- 当前生效的路由配置\n\n## 订阅感知与成本优化\n\nCCC 的一个重要设计特点是充分利用用户已有的订阅配额，而非依赖按量计费的 API 调用：\n\n- **Claude Max 订阅**：用于 Claude 系列模型的原生子代理调用\n- **ChatGPT Pro 订阅**：用于 OpenAI 模型的调用（通过 Codex CLI 或直接 API）\n\n这种模式避免了额外的 API 费用，特别适合高频使用场景。对于已经订阅了 Claude Max 和 ChatGPT Pro 的开发者来说，CCC 提供了几乎零边际成本的模型切换能力。\n\n## 快速开始与配置\n\n### 前置条件\n\n- Claude Code 已安装并配置 Max 订阅\n- Codex CLI 已登录（`codex login`）\n\n### 安装步骤\n\n```bash\n# 克隆仓库\ngit clone https://github.com/gossh0124/claude-codex-cooperate.git\ncd claude-codex-cooperate\n\n# 安装依赖\nbun install\n```\n\n### MCP 配置\n\n在项目根目录的 `.mcp.json` 文件中添加 CCC 服务器配置：\n\n```json\n{\n  \"mcpServers\": {\n    \"ccc\": {\n      \"command\": \"bun\",\n      \"args\": [\"run\", \"/path/to/claude-codex-cooperate/src/server.ts\"],\n      \"env\": {}\n    }\n  }\n}\n```\n\n配置完成后，Claude Code 即可通过 CCC 提供的工具接口进行智能路由调用。\n\n## 技术实现细节\n\nCCC 基于 TypeScript/Bun 技术栈构建：\n\n- **运行时**: Bun（高性能 JavaScript 运行时）\n- **MCP 协议**: 实现 Model Context Protocol 服务器规范\n- **配置管理**: JSON 格式的路由表和评分账本\n- **锁文件管理**: 使用 Bun 的 `bun.lock` 进行依赖锁定\n\n项目结构清晰，主要分为：\n- `src/server.ts`：MCP 服务器主入口\n- `config/routes.json`：可配置的路由规则\n- `src/`：核心逻辑实现目录\n\n## 发展路线图\n\nCCC 项目采用迭代式开发，规划了清晰的版本演进路径：\n\n### v1 版本（当前）\n- MCP 服务器基础框架\n- 直接 OpenAI API 集成（Layer 2）\n- 静态路由表\n- 评分账本（仅写入，用于数据收集）\n- SKILL.md 文档（替代 DNC v3）\n\n### v2 版本（规划中）\n- Codex SDK 完整集成（Layer 1）\n- 启发式分类器 + AI 辅助分类回退\n- EMA 反馈闭环（基于 v1 收集的数据优化路由）\n- 多订阅计划支持\n\n### v3 版本（远期）\n- Claude Code 插件化打包\n- 独立 npm 包发布\n- 更丰富的配置选项和扩展点\n\n## 实用价值与应用场景\n\nCCC 特别适合以下使用场景：\n\n1. **高频 Claude Code 用户**：每天进行大量 AI 辅助编程任务，需要智能的成本控制\n2. **多模型对比需求**：希望在同一项目中对比 Claude 和 OpenAI 模型表现的开发者\n3. **团队标准化**：为团队建立统一的模型选择标准，避免个人偏好导致的效率差异\n4. **成本敏感项目**：需要在保证质量的前提下严格控制 AI 使用成本的场景\n\n## 总结与思考\n\nCCC 代表了一种新兴的 AI 工具设计范式：不再是单一模型的简单封装，而是多模型生态的智能编排层。通过规则引擎确定性的分配策略和评分账本数据驱动的优化策略相结合，CCC 为开发者提供了一个既可控又自适应的模型路由解决方案。\n\n这种"模型即服务"的编排思路，可能会成为未来 AI 开发工具的标准配置——毕竟，在 Claude、OpenAI、Google 等厂商各有所长的格局下，能够智能选择和组合这些能力的工具，将比绑定单一生态的工具更具竞争力。