GitHub Project HydraFusion：Copilot CLI 运行时多模型编排，为每段编码任务动态生成工作流

GitHub 正式发布了 Project HydraFusion（研究预览版），这标志着 AI 编码助手从“单一模型选择”迈向了“动态工作流编排”。HydraFusion 不再将用户的提示简单地路由给某个固定模型，而是为每个请求实时构建一个执行计划。它可以根据任务复杂度，智能地组合多个来自不同提供商的模型进行起草、评审或升级，从而在质量与成本之间找到最优解。

• 官方介绍：https://github.blog/ai-and-ml/github-copilot/project-hydrafusion-frontier-quality-via-multi-model-orchestration

核心机制：为每个请求构建执行计划

HydraFusion 继承了 GitHub 早期的 Auto Model Selection 能力，但将其提升为一个优化问题。系统会读取推理、代码生成、调试和工具使用的能力信号，然后选择预期能通过质量门槛的最低复杂度工作流。只有在必要时，才会花费额外的模型调用来提升结果。

目前，HydraFusion 支持三种执行模式：

1. Single（单模型）：由一个选定模型直接解决问题，保持最快响应速度。
2. Cascade（级联）：高效模型先起草解决方案，随后通过质量门控。若未达标，则自动升级到更强的模型重试。
3. Critique（批判）：一个模型起草，另一个来自不同模型家族的独立只读评审者进行审查，起草模型根据反馈修订一次。这种跨家族的“橡皮鸭”式评审能有效发现盲点。

工程防护栏：安全与可控

为确保仓库级工作的安全性，GitHub 为 HydraFusion 构建了五项核心原则：

• 完整核算：记录起草、评审、修订、升级、重试和回退等每个环节的成本与延迟。
• 有界执行：每个环节都有显式超时和取消机制，防止无限循环。
• 隔离评审：评审者在无工具上下文中运行，绝不能修改仓库代码。
• 故障安全应用：当工作流被取消或验证失败时，绝不应用任何补丁。
• 验证路由：在执行前验证模型绑定、回退行为和可用性。

基准测试：成本大幅降低，质量稳中有升

在三个代理编码基准测试中（以 Claude Opus 5 为基线），HydraFusion 展现了显著的成本效益：

注：CheckpointBench 锚定到不可变的公共提交，确保运行结果可重放。虽然在 DeepSWE 和 CheckpointBench 上质量略逊于 Opus 5，但成本降幅巨大，且差距极小。

如何启用与计费

• 适用范围：目前仅作为研究预览版在 GitHub Copilot CLI 中提供，面向所有 Copilot 计划用户。无开放权重，不支持自托管。
• 启用步骤：

  /update
  /experimental on
  /model  # 选择 "HydraFusion (Research Preview)"
  

• 计费方式：按工作流中每个模型实际消耗的令牌数计费，费率与各模型的标准费率一致。没有额外的编排费用。

为什么 HydraFusion 很重要？

HydraFusion 代表了 AI 编码工具的新范式：模型不再是静态的配置项，而是动态的计算资源。通过将工作流选择视为优化问题，它让开发者无需在“昂贵的高质量模型”和“廉价的低质量模型”之间做艰难抉择。系统会自动为简单任务节省开支，为复杂任务投入算力，并在必要时引入外部视角进行纠错。

对于日常使用 Copilot CLI 的开发者而言，这意味着在不增加预算的前提下，获得更稳定、更智能的编码辅助体验。随着未来更多模式和模型的加入，HydraFusion 有望成为 AI 编程助手的默认运行方式。