📌 项目日期：2026年11月 | 数据来源：GitHub官方仓库 | 星数：753+
Agent工作流里90%的模型调用其实是"做个决定"：走哪条分支、这个结果行不行、打个分。用LLM做决定又贵又慢还爱话痨。Strands Labs 开源 Strands Decider——一类新模型："System One"决策模型：不生成文本，只在选项集合里挑、按量表打分。比LLM快得多，又不像传统分类器需要专门训练数据+专业知识。
最工程化的细节：每个决定带校准的可靠性分数——上游Agent知道该多信这个决定。它与 Strands Agents SDK 官方配套；Agent"持续变强"的路线参考 Reef，工程规范见 mcode-stack。
| 维度 | LLM | Decider决策模型 | 传统分类器 |
|---|---|---|---|
| 输出 | 任意文本 | 选项挑选+量表评分 | 固定类别 |
| 速度 | 慢 | 快 | 最快 |
| 训练成本 | 预训练即用 | 预训练即用 | 需标注数据+专业训练 |
| 置信度 | 不校准 | 每个决定带校准分 | 可校准 |
git clone https://github.com/strands-labs/strands-decider.git
# 与Strands Agents SDK (Python)配合
# 用法示例：
# 挑选："What language is 'sihamba ngokushesha' in? English/Zulu/Dutch"
# 评分："How positive is this review? 0-1"Strands Labs开源的"决策模型"（System One模型）：不像LLM生成任意文本，它在选项集合里挑一个、或按量表打分——比LLM快，又不像传统分类器那样需要专门训练。官方定位为Strands Agents SDK工作流中的决策件。
从选项中挑选（"strawberry里有三个r吗？是/否""这句话是英语/祖鲁语/荷兰语"）、按量表评分（"这段文档有多正面？0到1"）。
每个决定自带校准的可靠性分数（置信度）——短分类任务上可校准，让上游Agent知道该多信这个决定。