China Model Selection Guide
- 19 installs
- 1 repo stars
- Updated July 31, 2026
- hexbee/hello-skills
Recommends among Chinese LLMs (Doubao-Seed-2.0-Code, GLM-5, MiniMax-M2.5, Kimi-K2.5) by input type, task complexity, and constraints, including staged pipelines.
About
A model-routing guide that triages a task by input type and complexity to pick a best-fit Chinese coding model. A developer uses it to choose or stage multiple models across planning, build, and debugging phases.
- Quick-triage by visual, long-context, or structured-engineering input
- Tie-break and composite multi-model routing pipeline rules
China Model Selection Guide by the numbers
- 19 all-time installs (skills.sh)
- Ranked #10,571 of 16,546 AI & Agent Building skills by installs in the Skillselion catalog
- Data as of Aug 2, 2026 (Skillselion catalog sync)
npx skills add https://github.com/hexbee/hello-skills --skill china-model-selection-guideAdd your badge
Show developers this skill is listed on Skillselion. Paste this into your README.
| Installs | 19 |
|---|---|
| repo stars | ★ 1 |
| Last updated | July 31, 2026 |
| Repository | hexbee/hello-skills ↗ |
What it does
Recommends among Chinese LLMs (Doubao-Seed-2.0-Code, GLM-5, MiniMax-M2.5, Kimi-K2.5) by input type, task complexity, and constraints, including staged pipelines.
Files
China Model Selection Guide
Follow this flow to recommend models. Load references/china-model-selection-guide.md for the full Chinese playbook, scenarios, strengths, and prompt templates.
Quick Triage
Answer two questions first, then give a primary pick.
1. Identify core input type
- Visual-first input (UI mockups, screenshots, sketches): prefer
Doubao-Seed-2.0-Code - Very long text or many files (dozens of docs, full codebase): prefer
Kimi-K2.5 - Structured engineering prompts (clear coding requirements, Shell commands): prefer
GLM-5orMiniMax-M2.5
2. Identify task complexity
- Complex reasoning or autonomous planning (system design, codebase refactor): prefer
GLM-5 - Cross-language engineering (Python/C++, Java/Go): prefer
MiniMax-M2.5 - Clear task but heavy execution (UI-to-code, template generation): prefer
Doubao-Seed-2.0-Code
Tie-Break Rules
When multiple models fit, decide in this order.
1. Satisfy hard constraints first: vision, long-context, cross-language, agentic planning 2. Then compare cost and latency: pick better price/performance at similar quality 3. Finally split by phase: allow multi-model routing inside one project
Composite Task Routing
Use this default pipeline.
1. Planning: GLM-5 for architecture, decomposition, interfaces, schema decisions 2. Build:
- Frontend and visual replication:
Doubao-Seed-2.0-Code - Backend scripts, cross-language tasks, terminal automation:
MiniMax-M2.5
3. Integration debugging: route hard cross-module issues back to GLM-5 4. Documentation handoff: send codebase and large document sets to Kimi-K2.5
Output Format
Always include these in recommendations.
1. Decision: primary model + fallback model 2. Rationale: map to input type, complexity, and constraints 3. Risks: likely weak points and rollback strategy 4. Execution: a ready-to-use prompt draft
References
- Full guide and examples (Chinese):
references/china-model-selection-guide.md
interface:
display_name: "China Model Selection Guide"
short_description: "Pick the best-fit China model by task type"
default_prompt: "Select the best-fit China model (Doubao-Seed-2.0-Code, GLM-5, MiniMax-M2.5, or Kimi-K2.5) based on input type, task complexity, engineering constraints, and delivery goals, and provide a staged routing plan when needed."
interface:
display_name: "China Model Selection Guide"
short_description: "Choose best-fit China model by task profile"
default_prompt: "Select the best-fit China model (Doubao-Seed-2.0-Code, GLM-5, MiniMax-M2.5, or Kimi-K2.5) by input type, complexity, constraints, and delivery goals, and provide routing steps."
China Model Selection Guide (Chinese Content)
选择模型的核心并非“谁最强”，而是“谁最合适”。
一、按照任务特征快速选择
在选择模型之前，先回答以下 2 个问题，快速缩小范围。
1) 你的核心输入是什么
- 视觉材料为主（UI 设计稿、截图、手绘原型）
- 结论：优先考虑
Doubao-Seed-2.0-Code - 海量文本或多个文件（几十份文档、整个代码库）
- 结论：优先考虑
Kimi-K2.5 - 结构化指令或代码（清晰开发需求、Shell 命令）
- 结论：
GLM-5和MiniMax-M2.5表现更稳定
2) 你的任务复杂度如何
- 需要复杂推理或自主规划（如“设计后台系统”、代码库重构）
- 结论：
GLM-5的 Agentic 能力最强 - 涉及跨语言开发（Python 调 C++、Java 转 Go）
- 结论：
MiniMax-M2.5跨语言能力更突出 - 任务明确但执行繁琐（根据原型写页面、生成模板代码）
- 结论：
Doubao-Seed-2.0-Code性价比最高
二、按照模型特性选择
1) Doubao-Seed-2.0-Code：高性价比前端开发助手
当任务聚焦代码生成，尤其需要从视觉稿直接转换前端代码，同时对成本和效率要求高时，优先选择该模型。
优势
- 原生视觉理解，适合前端开发
- 能理解 UI 设计稿、截图、手绘原型
- 可一键生成高质量前端代码
- 可完成样式修复和 Bug 修复
- China-compliant and enterprise-safe
- 内容安全与数据合规设计完善，适合企业场景
适用场景
- 原型图到代码
- 上传 JPG/PNG 设计稿或高保真截图，生成高匹配 HTML/CSS/JS 或 Vue/React 组件
- 页面复刻与迭代
- 根据页面截图模仿风格和布局，开发新模块
- 同时提供“错误截图 + 代码片段”可定位如
flex、z-index等问题并给出修复 CSS - 自动化模板代码
- 低成本生成配置文件、CRUD 接口、单元测试骨架
提示词参考
任务：将一张移动端用户个人主页截图转换为 Vue 3 组件。
输入材料：
- 附件：
user-profile.png
约束与要求：
- 使用 Vue 3 Composition API 与
<script setup> - 脚本使用 TypeScript
- 样式使用 SCSS，遵循 BEM 命名
- 头像、用户名、统计数据（帖子/关注/粉丝）通过 props 传入
- 组件结构清晰，注释完整
期望产出：
- 完整
.vue单文件组件
2) GLM-5：复杂任务“问题解决者”
当任务定义模糊、需要深度思考和精密规划的系统级工作时，优先使用该模型。
优势
- Agentic Coding 适合复杂工程
- 可从高层需求开始拆模块、设接口、定数据结构，再分步生成代码
- 深度多轮协作与推理
- 能在连续对话中保持上下文与约束
- 对复杂约束可持续澄清并给出可执行方案
适用场景
- 系统级重构与迁移
- 如 Python 2 到 Python 3、单体拆微服务
- 可分析依赖、重写语法、补测试
- 端到端 Web 应用开发
- 从“登录/发文/评论”级需求出发，规划技术栈、数据库并输出核心代码
- 深度行业分析
- 结合联网搜索与工具调用形成结构化报告
提示词参考
任务：为新社交产品设计数据库结构并生成 SQL DDL。
输入材料：
- 核心实体：User、Post、Comment、Topic、Follow
约束与要求：
- MySQL 8.0
- 强调扩展性
- User 表：用户名、加密密码、邮箱、头像 URL、简介
- Post 表：关联用户，含内容、创建时间，支持多话题
- Follow 表：关注/被关注多对多
- 所有表都有主键、创建时间、更新时间
- 为关键查询建立索引（按用户查帖子、按话题查帖子）
期望产出：
- 完整
CREATE TABLE脚本（字段、主键、外键、索引） - 脚本开头说明核心设计思路
3) MiniMax-M2.5：跨语言工程专家
在跨语言任务和需要精确执行工程指令的场景中，优先选择该模型。
优势
- 多语言代码能力强
- 适合 Python/C++ FFI、Java 到 Go 重构等
- 能对齐类型与语言特性，降低差异性 Bug
- Terminal 理解能力强
- 适合复杂 Shell 命令、DevOps、自动化运维
- 输出风格务实精准
- 适合 SQL、Protobuf/Thrift、Swagger/OpenAPI 这类严格格式任务
适用场景
- 跨语言代码翻译与重构
- 如 Java 算法库翻译为 Go，保持接口和功能一致
- 自动化运维脚本编写
- 部署含 Web、数据库、缓存的复杂应用
- 数据库迁移脚本生成
- 基于两版 Schema 自动生成 SQL migration
提示词参考
任务：编写定期备份指定目录并删除旧备份的 Shell 脚本。
输入材料：
- 源目录：
/var/www/html - 备份目录：
/mnt/backups/ - 文件名格式：
backup-YYYY-MM-DD.tar.gz
约束与要求：
- 使用 bash
- 备份前检查目标目录，不存在则创建
- 使用 tar + gzip 打包
- 自动删除 7 天前备份
- 关键步骤打印日志
- 脚本具有执行权限
期望产出：
- 可直接运行的
.sh脚本
4) Kimi-K2.5：海量信息处理“阅读理解之王”
在需要处理超长文本、整个代码库、多个复杂文档时，优先使用该模型。
优势
- 适合超长、多步骤任务拆分执行
- 可拆子任务并并行阅读后汇总结论
- 信息整合与摘要能力强
- 不只“读得多”，也能“读得懂”
- 可跨文件梳理调用链、变量流向，补全 README 和架构说明
- 多模态能力升级
- 可理解云架构图、ER 图并生成 Terraform 或 SQL 草案
适用场景
- 大型代码库理解与上手
- 对陌生项目解释架构、梳理业务、定位功能实现
- 合同与标书审核
- 多文件交叉对比条款差异与风险点
提示词参考
任务：分析开源 Python 项目完整代码并输出结构说明文档。
输入材料：
- 附件：包含整个项目代码的
.zip
约束与要求：
- 通读所有
.py文件 - 忽略
tests/与docs/ - 文档使用 Markdown
期望产出：
- 项目概述：一句话说明项目用途
- 目录结构分析：树状列核心目录/文件并说明功能
- 核心模块详解：重点介绍 1-2 个核心模块的职责、关键函数、调用关系
- 启动与配置：说明依赖安装、环境配置、启动方式
三、总结与组合策略
实际编码任务通常是复合任务。最高效策略是像管理工程团队一样，在不同阶段给不同子任务分配最合适模型。
模型速记
Doubao-Seed-2.0-Code：性价比高，前端视觉到代码首选GLM-5：复杂系统任务、深度推理、规划协作强MiniMax-M2.5：跨语言开发与工程指令执行精准Kimi-K2.5：长上下文处理、代码库理解、文档整合强
典型开发流程
1. 规划阶段
- 使用
GLM-5进行方案讨论与系统架构设计
2. 开发阶段
- 前端 UI：
Doubao-Seed-2.0-Code - 后端接口、数据库脚本、工具类：
MiniMax-M2.5
3. 联调与测试
- 遇到跨模块复杂 Bug：
GLM-5
4. 文档与交接
- 将代码库交给
Kimi-K2.5生成技术文档与 README
Related skills
Setup Matt Pocock SkillsScaffold the per-repo configuration that Matt Pocock’s engineering agent skills rely on so they understand the issue tracker, triage labels, and domain documentation la495k196k
Lark AppsConnect Claude, Cursor or custom agents directly to Lark (Feishu) for messaging, document automation, approval workflows and enterprise data access.402k
CavemanSlash token usage by roughly 75% while keeping every technical detail intact when working with Claude Code, Cursor or similar agents.391k94.7k
Lark Skill MakerQuickly turn any Lark/Feishu OpenAPI call or multi-step workflow into a reusable agent skill with its own SKILL.md.386k16k
Running Claude Code Via Litellm CopilotRun Claude Code at a fraction of the cost by routing requests through LiteLLM to the GitHub Copilot Chat API.270k72
Codex PetGenerate a complete Codex Pet spritesheet and metadata from one reference image without needing an OpenAI key or Codex Pro.246k10