Sakana Fugu
Sakana AI · 程式設計
Sakana Fugu 是 Sakana AI 推出的多代理人 AI 模型協作系統，以單一 OpenAI 相容 API 的形式提供。它不是去訓練一個更大的模型，而是學會組合一組專門化的代理人並加以協調，再把合併後的結果交給你，就像你呼叫一般模型一樣。把它想成一套只要設定一次的模型協作 API。你挑一個等級（Fugu、Fugu Ultra、Fugu Max 或 Fugu Cyber），送出平常的請求，讓系統決定由哪些模型來做事。該公司把它定位成專為複雜、多步驟工作打造的前沿 AI API。
關於 Sakana Fugu
什麼是 Sakana Fugu
Sakana Fugu 押的注和大多數模型發表不一樣。它不去打造最大的單一模型，而是由 Sakana AI 訓練一個協調者，學會在眾多強大模型之間路由、分工與驗證。從外面看，它像一個模型；在內部，一組代理人把任務拆開、分別執行、檢查結果，最後全部合併成一個答案。
它的賣點是供應商獨立性。因為這組模型可以替換，單一供應商關掉 API 並不會讓整個系統停擺。對打造代理人產品、禁不起突然斷線的團隊來說，這點很重要。代價是透明度：Fugu 不會告訴你某個查詢是由哪些底層模型處理的，因為那套路由邏輯是公司的核心研究。
那實際上代表什麼？如果結果看起來不對，你也說不出是哪個代理人產生的。除錯變得更難。沒有乾淨的解法。
它也不是到處都能用。Sakana AI 在處理 GDPR 合規期間，不服務歐盟或 EEA 的使用者，所以這些地區的企業目前得另尋方案。
開始使用
- 到 Sakana AI 控制台取得 API 金鑰，並挑選等級（Fugu 講求平衡、Fugu Ultra 講求品質、Fugu Max 講求性價比、Fugu Cyber 處理安全工作）。
- 把你現有的 OpenAI 用戶端或程式工具指向 Fugu 端點。不需要遷移 SDK。
- 用你選的模型名稱，照平常的方式送出請求。
- 如果你用的是 Fugu，打開控制台設定，基於隱私或合規理由排除特定供應商或模型。
- 在控制台留意 token 用量與每次請求的成本，看過數字之後再放大規模。
產品資訊
快速了解 Sakana Fugu 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 打造代理人產品的開發者：Fugu 給你一個端點，把多模型的複雜度藏起來，你不必自己接路由。你需要一組 API 金鑰，以及對 OpenAI 風格呼叫的基本認識。
- 做大量程式碼審查的軟體團隊：早期使用者回報，每次審查揪出的問題遠多於單一模型工具。在品質優先於速度的 Fugu Ultra 等級上效果最好。
- 研究人員與分析師：論文重現、專利梳理與文獻工作適合更深的代理人組合。這類工作跑得久、花得多，請先把預算算進去。
任務
- 多步驟的程式撰寫與推理：在單一模型容易偏掉或漏掉邊界情況的任務上，Fugu 會協調專家代理人來處理。
- 自主研究：給一句指令就讓系統跑上好幾個小時，這在 Fugu Ultra 上是真實的使用情境，不是展示。
- 資安分析：Fugu Cyber 專門針對弱點研究與威脅調查，並公布了基準測試數字。
- 批次生產工作負載：依用量計費的 tokens 優先度高於月費方案的 tokens，適合穩定、大量的工作。
情境
- 你想擺脫對單一模型供應商的依賴：可替換的模型組合讓單一供應商的政策變動不至於拖垮你的產品。
- 團隊需要管控哪些模型能看到自己的資料：在 Fugu 上，你可以排除不符你合規規則的供應商。
- 你在做代理人功能的原型，不想自己打造路由：協作機制已經內建在 API 裡。
主要功能
一個 API，多個模型
Fugu 在單一 OpenAI 相容端點後面，提供一組經過協調的專門化模型。底層組合改變時，你的整合不必跟著改，只要換一個模型名稱，就能在 Fugu、Fugu Ultra 與 Fugu Max 之間切換。Sakana AI 把這定位成降低 API 複雜度、同時改善性價比的做法。想法很簡單。回報很實在。
學會的協作機制，不是手寫的流程
大多數代理人框架要你把哪個模型做什麼硬寫在程式裡。Fugu 改為學會這些模式。它的協調建立在兩篇 ICLR 2026 論文之上，TRINITY 與 the Conductor，兩者展示一個系統如何依任務組合與路由專家代理人，而不是照著固定流程圖走。
四個等級，對應不同工作
Fugu 在效能與延遲之間取得平衡，適合程式撰寫與聊天機器人等日常作業。Fugu Ultra 協調更深的模型組合，處理 Kaggle 競賽、論文重現這類困難且高風險的問題。Fugu Max 調度最大的組合來拉高性價比，Fugu Cyber 則針對安全推理調校。根據 Sakana AI 的說法，Fugu Cyber 在 CyberGym 拿下 86.9%，在第二項業界安全基準測試拿下 72.1%。
代理人退出機制與供應商獨立性
在標準 Fugu 等級上，你可以透過控制台設定，把特定模型或供應商排除在組合之外。這項功能正是 Fugu 與單純路由器的差別：它讓團隊在不離開產品的前提下，滿足資料、隱私與合規要求。企業客戶可以直接要求自訂模型配置。
透明的單次請求成本
token 用量與成本會跟著每次請求回傳，你能即時監看花費，並在放大規模前先做預估。當一次請求中有多個代理人同時運作時，計費是以其中最高階模型為基準的單一混合費率，而不是把每個模型的費用疊起來。
不需要遷移 SDK
因為 API 與 OpenAI 相容，你只要把目前的用戶端指向 Fugu 端點，就能開始送請求。沒有新 SDK 要學，也不必重寫現有的聊天或程式工具。設定就這樣。
優缺點
優點
- 單一 OpenAI 相容端點把多模型路由藏起來，整合起來很簡單。
- 可替換的模型組合降低了單一供應商關閉 API 就拖垮產品的風險。
- 標準等級上的代理人退出機制，能滿足隱私與合規需求。
- 專門化的 Fugu Cyber 等級公布了基準測試數字，讓安全團隊有具體的比較依據。
- 不疊加各模型費用，讓多代理人計費更容易預測。
缺點
- 你看不到某個查詢是由哪些模型處理的，所以除錯非預期的輸出更難。結果錯了，你也不知道該怪哪個代理人。
- 歐盟與 EEA 目前還沒有服務，在合規工作完成前，這些地區的使用者只能被排除在外。
- Fugu Ultra 與 Fugu Max 的組合固定，無法精簡，需要嚴格控制模型的團隊只能退回標準等級。
- 長時間自主執行的工作會快速消耗 token，Ultra 較高的費率（每 1M 輸出 tokens 30 美元）累積得很快。
常見問題
它是一套多代理人協作 API，處理程式撰寫、推理、研究與安全分析等複雜的多步驟任務。你像呼叫一般模型那樣呼叫它，但它會協調多個專門化模型來產生答案。
相關內容
探索與 Sakana Fugu 相關的工具、技能與文章。
Sakana Fugu 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。