讓 Claude 先開一場 AI 會議
LLM Council Skill 是一套開源的 Claude Skill，目標很單純：Claude 在交付實作計畫前，先把同一個問題丟給 ChatGPT 與 Gemini，再分析各自建議、找出分歧，最後整合成一份有來源標註的方案。它不是三個模型真的在同一間聊天室辯論，而是用 SKILL.md 規定工作流程，再由 Python 腳本呼叫 Codex CLI、Gemini CLI 或兩家的 API。實際可拿來比較系統架構、資料庫設計、技術選型與開發計畫，省掉人工複製問題、切換視窗和整理答案的麻煩。
現實應用
最直接的使用者是工程師、技術主管、產品經理與獨立開發者。像是規劃 microservices、React 專案結構、即時資料管線，或在動工前檢查安全性、維運成本與替代方案，都適合先跑一次 council。
它也能用於商業點子、產品定位及決策草案，但輸入會送往不同模型服務，機密程式碼、客戶資料與尚未公開的策略不能毫無篩選地貼進去。醫療、法律或財務等高風險決策，也不能把多數模型同意當成專業驗證。
期望評估
低標方面，我認為至少能得到兩份額外意見，幫你補出原本沒想到的風險、名詞或替代技術。即使最後不採用，拿來當規劃前的 checklist 仍有價值。
高標方面，我猜在問題描述完整、各模型分工清楚時，它能產出比單一模型更周延的初版方案，尤其適合架構評估與需求模糊的探索階段。不過模型可能一起犯錯，也可能只是用不同文字重述同一個常見答案；共識不等於正確，最終仍要靠文件、測試與真人負責。
商業策略分析
我認為這類工具真正重要的不是「多問兩個 AI」，而是把 multi-model orchestration 包成可重複執行的流程。它會讓單一聊天產品的答案差異更不重要，同時替 OpenAI、Google 等 API 供應商增加交叉用量。
對開發工具商來說值得跟進，但單純串接多模型很難形成護城河。更有商業價值的是模型路由、匿名評分、成本控制、企業資料治理、結果追蹤與團隊審核。這個專案目前較像輕量範例，適合拿來改造成內部工作流，不必把它當成完整的決策系統。
實作細節
依專案 README，可下載並上傳 llm-council.skill；Claude Code 官方也支援把含有 SKILL.md 的資料夾放進個人或專案 skills 目錄。接著複製 .env.template 為 .env，設定 OPENAI_API_KEY、GEMINI_API_KEY，也能用 OPENAI_MODEL 與 GEMINI_MODEL 指定模型。完成後可用「Consult the council」或「Ask ChatGPT and Gemini」一類指令觸發。
目前腳本會優先嘗試 Codex CLI 與 Gemini CLI，無法使用才改走 API；API 路徑各有 30 秒 timeout，單一服務失敗時仍會保留另一方結果。已知成本是每次執行會消耗多家模型額度，而且 README 與現行腳本對 CLI／API 優先順序略有版本落差，模型名稱也可能隨供應商更新，安裝時最好再核對官方文件。