diegosouzapw LLM Model Evaluation
Evaluiert LLM-Modelle basierend auf aktuellem Preis/Leistungs-Verhältnis.
Wann nutzen?
- Während
/init-projectbei der Komplexitätsbewertung - Bei Kosten-Optimierung bestehender Projekte
- Wenn neue Modelle erscheinen (regelmäßig checken)
- Vor größeren Production-Deployments
Step 1: Use Case verstehen
Falls kein Argument übergeben, frage:
Was ist dein Use Case?
Beispiele:
• "Chat-Bot für Kundenservice" (High-Volume, schnelle Antworten)
• "Dokumenten-Analyse" (Langer Context, Reasoning)
• "Code-Generierung" (Präzision wichtig)
• "GDPR-konforme EU-App" (Compliance)
• "Budget-Projekt" (Kosten minimieren)
Step 2: Aktuelle Preise holen
WICHTIG: Preise ändern sich häufig. Hole aktuelle Daten.
2.1 Web Search für aktuelle Preise
Suche nach aktuellen Preisen mit WebSearch:
Query: "[Provider] API pricing 2026"
Für jeden Provider:
- Anthropic Claude pricing
- OpenAI GPT pricing
- Google Gemini pricing
- DeepSeek pricing
- xAI Grok pricing
- Mistral pricing
2.2 Pricing Endpoints (falls verfügbar)
Einige Provider haben öffentliche Pricing-Pages:
| Provider | Pricing URL |
|---|---|
| Anthropic | https://www.anthropic.com/pricing |
| OpenAI | https://openai.com/api/pricing |
| https://ai.google.dev/pricing | |
| DeepSeek | https://platform.deepseek.com/api-docs/pricing |
| Mistral | https://mistral.ai/technology/#pricing |
| xAI | https://x.ai/api |
2.3 Fallback: Cached Reference
Falls Web-Fetch fehlschlägt, nutze .claude/reference/llm-configuration.md als Fallback (aber weise auf möglicherweise veraltete Daten hin).
Step 3: Modelle bewerten
3.1 Bewertungskriterien
| Kriterium | Gewichtung | Beschreibung |
|---|---|---|
| Kosten | 30% | Input + Output Tokens |
| Qualität | 30% | Benchmark-Scores, Erfahrungswerte |
| Latenz | 20% | Time to first token, Throughput |
| Context | 10% | Max Context Window |
| Features | 10% | Vision, Tools, Streaming |
3.2 Use Case Mapping
| Use Case | Wichtig | Unwichtig |
|---|---|---|
| Chat-Bot | Latenz, Kosten | Context |
| Dokument-Analyse | Context, Qualität | Latenz |
| Code-Gen | Qualität | Kosten |
| High-Volume | Kosten, Latenz | Qualität |
| GDPR | Compliance | Kosten |
Step 4: Empfehlung ausgeben
4.1 Empfehlungs-Template
┌─────────────────────────────────────────────────────────────────────────────┐
│ LLM EVALUATION - [Use Case] │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ 📅 Preise Stand: [Datum der Abfrage] │
│ │
│ TOP 3 EMPFEHLUNGEN: │
│ │
│ 🥇 #1: [Modell] │
│ Provider: [Provider] │
│ Input: $[X]/1M tokens │
│ Output: $[X]/1M tokens │
│ Context: [X]K │
│ Score: [X]/100 (basierend auf Use Case) │
│ Warum: [Begründung] │
│ │
│ 🥈 #2: [Modell] │
│ ... │
│ │
│ 🥉 #3: [Modell] │
│ ... │
│ │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ KOSTEN-SCHÄTZUNG (bei 1M Requests/Monat, 1000 Tokens avg): │
│ │
│ Modell #1: ~$[X]/Monat │
│ Modell #2: ~$[X]/Monat │
│ Modell #3: ~$[X]/Monat │
│ │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ FALLBACK-STRATEGIE: │
│ │
│ Primary: [Modell #1] │
│ Fallback: [Modell #2] │
│ Budget: [Modell #3] │
│ │
└─────────────────────────────────────────────────────────────────────────────┘
4.2 Portkey Config generieren
Falls gewünscht, generiere die Portkey-Konfiguration:
// Empfohlene Portkey Konfiguration für [Use Case]
const config = {
strategy: {
mode: 'fallback',
},
targets: [
{ provider: '[primary]', model: '[model]' },
{ provider: '[fallback]', model: '[model]' },
],
cache: {
mode: 'semantic',
ttl: 3600,
},
};
Step 5: Dokumentation aktualisieren
Falls signifikante Preisänderungen gefunden wurden:
- Weise den User darauf hin
- Frage ob
.claude/reference/llm-configuration.mdaktualisiert werden soll - Bei "Ja": Update die Preistabellen
Automatische Intervall-Checks
Weekly Reminder
Dieser Skill sollte regelmäßig genutzt werden:
Empfehlung: Führe /llm-evaluate monatlich aus um:
- Neue Modelle zu entdecken
- Preisänderungen zu berücksichtigen
- Kosten-Optimierung zu prüfen
Bei Projekt-Init
Während /init-project wird dieser Skill automatisch bei der Komplexitätsbewertung (Step 0.2) aufgerufen um das optimale Modell für den Use Case zu empfehlen.
Modell-Datenbank (Referenz)
Anthropic
| Modell | Input/1M | Output/1M | Context | Stärken |
|---|---|---|---|---|
| Claude Opus 4.5 | $15 | $75 | 200K | Best reasoning |
| Claude Sonnet 4 | $3 | $15 | 200K | Best coding |
| Claude Haiku 3.5 | $0.25 | $1.25 | 200K | Fast, cheap |
OpenAI
| Modell | Input/1M | Output/1M | Context | Stärken |
|---|---|---|---|---|
| GPT-4o | $5 | $15 | 128K | Multimodal |
| GPT-4o-mini | $0.15 | $0.60 | 128K | Budget GPT-4 |
| o1 | $15 | $60 | 200K | Deep reasoning |
| Modell | Input/1M | Output/1M | Context | Stärken |
|---|---|---|---|---|
| Gemini 2.0 Pro | $7 | $21 | 1M | Long context |
| Gemini 2.0 Flash | $0.10 | $0.40 | 1M | Fast, cheap |
| Gemini Flash 8B | $0.04 | $0.15 | 1M | Ultra cheap |
DeepSeek
| Modell | Input/1M | Output/1M | Context | Stärken |
|---|---|---|---|---|
| DeepSeek V3 | $0.27 | $1.10 | 64K | Open-weight |
| DeepSeek R1 | $0.55 | $2.19 | 64K | Reasoning |
xAI
| Modell | Input/1M | Output/1M | Context | Stärken |
|---|---|---|---|---|
| Grok 2 | $2 | $10 | 128K | Realtime data |
| Grok 2 Vision | $2 | $10 | 32K | Image understanding |
Mistral
| Modell | Input/1M | Output/1M | Context | Stärken |
|---|---|---|---|---|
| Mistral Large | $2 | $6 | 128K | EU-hosted |
| Codestral | $0.30 | $0.90 | 256K | Code |
| Mistral Small | $0.20 | $0.60 | 128K | Budget |
Beispiel-Ausführung
User: /llm-evaluate Chat-Bot für Kundenservice
Claude:
┌─────────────────────────────────────────────────────────────────────────────┐
│ LLM EVALUATION - Customer Service Chat Bot │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ 📅 Preise Stand: Januar 2026 │
│ │
│ TOP 3 EMPFEHLUNGEN: │
│ │
│ 🥇 #1: Claude Haiku 3.5 │
│ Provider: Anthropic │
│ Input: $0.25/1M tokens │
│ Output: $1.25/1M tokens │
│ Context: 200K │
│ Score: 92/100 │
│ Warum: Schnell, günstig, gute Qualität für Chat │
│ │
│ 🥈 #2: Gemini 2.0 Flash │
│ Provider: Google │
│ Input: $0.10/1M tokens │
│ Output: $0.40/1M tokens │
│ Context: 1M │
│ Score: 88/100 │
│ Warum: Noch günstiger, aber weniger konsistent │
│ │
│ 🥉 #3: DeepSeek V3 │
│ Provider: DeepSeek │
│ Input: $0.27/1M tokens │
│ Output: $1.10/1M tokens │
│ Context: 64K │
│ Score: 82/100 │
│ Warum: Sehr günstig, aber China-based (Compliance?) │
│ │
└─────────────────────────────────────────────────────────────────────────────┘
Integration mit init-project
Dieser Skill wird automatisch während /init-project aufgerufen:
- User beschreibt Projekt (Step 0.1)
- Komplexitätsstufe wird ermittelt (Step 0.2)
/llm-evaluateläuft im Hintergrund- Stack-Empfehlung inkl. LLM-Empfehlung (Step 0.3)
Version: 1.0 Last Updated: January 2026