$ loading_
将复杂 AI 工作流拆解分步执行，并按约束为每步选择最佳模型与完整追踪。
该 MCP 工具材料显示其会执行分解后的工作流步骤，具备本机代码执行属性，因此需按常规谨慎使用。未见需密钥或明确远程外发端点；同时其为 Apache 2.0 开源项目，这降低了整体风险，但仓库采用度和维护情况证据较弱。
材料明确写明无需密钥或环境变量，未见 API token、账号凭证或其他敏感认证信息要求，凭证泄露面较低。
材料与客观检查项均未声明任何远程端点 host；描述虽提到“选择最佳模型并执行步骤”，但未提供会将用户数据发送到外部服务的事实依据。
系统检查项明确标记为 executes-code，且描述写有“executing steps”，说明工具具备执行工作流步骤/本机代码的能力。这属于 MCP 工具的常规高权限能力，需关注其可触发的本地进程与操作范围。
文档未说明具体可读写哪些文件或资源，但由于其会执行步骤，通常意味着可能接触本地输入、输出与中间结果。当前未见明确过度授权红旗，但数据访问边界不清晰。
项目为可审计的开源仓库，许可证为 Apache 2.0，这是明显的降风险因素；但来源为 third_party_registry，GitHub 社区采用度为 0 star，维护状态未知，信任与持续维护证据有限。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"routewise" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请把“生成产品发布文章”拆成研究、提纲、初稿、润色四步；在预算不超过 2 美元、总时长不超过 5 分钟的前提下，为每一步选择最合适的模型并执行，最后返回完整执行轨迹和每步结果。
返回分步任务规划、每步模型选择理由、执行结果，以及可审计的完整调用轨迹。
分析这个代码仓库的 API 设计、潜在性能问题和测试缺口。请先拆解任务，再在低成本优先的约束下为每一步选择模型执行，并输出最终结论与完整 trace。
得到结构化的代码分析报告，包含步骤拆解、模型路由决策、每步产出和完整执行记录。
针对“企业为什么采用检索增强生成”这个问题，拆成资料检索、观点归纳、答案生成三步；优先保证准确性，其次控制延迟，并展示每一步用了什么模型、为什么这样选。
输出分阶段研究结果、最终答案，以及带有模型选择依据的透明执行过程。
通过 Rube MCP 自动化执行 Wit AI 相关任务，并先检索最新工具 schema。