arkcli models

CRITICAL — 开始前 MUST 先用 Read 工具读取 ../arkcli-shared/SKILL.md，其中包含认证闸门、配置排查与命令选择顺序 CRITICAL — 若模型查询服务于 Endpoint 创建，必须先完成 owning Skill 交接：普通创建先用 Read 读取 ../arkcli-deploy/SKILL.md；显式 raw CRUD / CI / 无守卫创建先用 Read 读取 ../arkcli-infer-endpoint/SKILL.md。未读取 owning Skill 前，禁止执行认证检查、模型查询或任何其他命令。 CRITICAL — 所有 models 命令在执行之前，务必先用 Read 工具读取其对应的 reference 文档，禁止直接盲目调用命令。

第 -1 步（硬闸门）：先锁定最终任务的 owning Skill

• 先判断用户最终要做的是“查询模型”，还是把模型用于上游任务；不能因为用户提到 models search 就把模型查询当成最终任务。
• 最终目标是 Endpoint 创建时，本 skill 只能作为只读助手，不能成为 owning Skill：普通创建读取并保留 arkcli-deploy；显式 raw CRUD / CI / 无守卫创建读取并保留 arkcli-infer-endpoint。
• owning Skill 的查询次数、结果上限、停止点和写入边界高于本 skill 的通用流程。完成交接后按 owning Skill 执行；只有纯模型查询才继续本 skill 的第 0 步和通用命令选择。

使用原则

• 模型相关需求优先使用 arkcli models ...
• 这些命令虽然是标准 CLI 类型，但实现入口仍然来自 shortcuts/models/
• 只有产品命令无法覆盖时，才回退到 ../arkcli-api-explorer/SKILL.md
• 本 skill 不是默认兜底入口；用户明确问模型查询、模型资产盘点、模型详情时才作为主路由。若是在为上游 +chat / +gen / Endpoint 创建挑模型，先加载并保留对应上游 skill，本 skill 只提供只读查询。普通 Endpoint 创建的 owning skill 是 arkcli-deploy；显式 raw CRUD / CI / 无守卫的 Endpoint 创建意图必须切换到 arkcli-infer-endpoint，并在查询候选前先加载它
• 语音模型边界：广场命中不证明 arkcli 支持该模型的调用、Endpoint 创建、示例或用量。TTS/ASR 等独立能力的接入应核对对应官方 API/SDK，不把裸名塞进 Responses。费用询价交给 pricing models --modality Audio，仅按当前计价项作答；未返回就说明价格源未覆盖。
• 下线通知与广场目录是不同证据域：用户提到短信/站内信、停服日期或「是否需要重新设置」时，先核对对应产品的官方下线公告，不要先查 models search 再用目录里的 Published/Retiring 反驳公告。若用户未说明使用 Agent Plan、Coding Plan 还是按量 Endpoint，分别标注各产品适用范围；Agent Plan 先看模型下线公告，Coding Plan 看模型下线公告，按量 Endpoint 看平台模型下线公告。只引用该产品公告中旧型号的具体行、时区与迁移目标，再检查较新公告行中建议迁移型号是否也在下线，给出仍受支持的下一站；不能把某套餐的日期套到另一产品。不明产品时给条件化结论。
• 这类问题的最终目标是迁移判断，不是公共模型选型：先加载对应 arkcli-plans / arkcli-infer-endpoint owning Skill；公告回答后，才按用户实际配置区分 auto/ark-code-latest、写死的 Model Name、自建 ep-...。账号实时状态查询失败则明确未知，不能以公共目录状态代替。纯问公共目录生命周期才继续本 skill 的 models search 流程。

适用场景

• 用户要搜索、筛选、对比方舟模型
• 用户要查看模型详情、版本、上下文、模态或 lifecycle 状态
• 用户要盘点公共基础模型目录；账号自传/精调资产走 arkcli-custommodel，套餐模型清单走 arkcli-plans
• 仅 Volc：用户要比较 TTFT/TPOT、首 Token 延迟、持续输出延迟、性能排行、延迟趋势或不同输入长度下的性能
• 上游 +chat / +gen / +deploy 需要先确定可用模型名
• 用户问语音模型是否存在、有哪些语音模型、TTS/ASR 模型在广场叫什么：只回答广场可搜事实和当前 arkcli 不支持后续场景能力的边界

反唤起信号

• 用户只是要直接对话、生成图片/视频或部署 Endpoint：先转对应 skill；缺模型名时可调用本 skill 查询，但不能替代原任务的主路由。Endpoint 普通创建转 arkcli-deploy；只有用户显式指定 raw CRUD / CI / 无守卫创建时转 arkcli-infer-endpoint
• 用户明确要求调用原始 Action、列出 OpenAPI 或构造底层 params：转 arkcli-api-explorer
• 用户问自己的 Endpoint 为什么慢：转 arkcli-doctor；公共榜单不能用于 Endpoint 诊断
• 用户是鉴权、profile、region、base URL 排障：转 arkcli-auth 或 arkcli-config
• 不要把 arkcli models 当默认入口；非模型问题不要先查模型

业务定位

• 本 skill 是其他业务链路的依赖 skill，不是终点 skill
• 它通常服务于三类上游目标：
  • 给 +chat / +gen 找正确模型
  • 给 +deploy 确认可部署模型
  • 给业务排障确认模型详情和版本
• 除非用户明确就是在做模型查询，否则查完模型后应回到原始任务
• 语音后续路由：只问目录就交付目录事实；要实际接入则说明独立 API 边界并引导官方契约核验，不生成未核实的调用/部署命令。要价格则转 pricing 的 Audio 查询，不能把“没有调用封装”反推成“不能查询价格”。

快速决策

已知模型的价格查询

先读 references/arkcli-models-get.md，使用 arkcli models get <model-id> --format json，读取 pricing.prices。按 service_type、label、dimensions、usage_unit、unit_code 和可选 usage_period 判断适用价格，不取第一条，不再读取旧 pricing.charge_items / pricing.multi_charge_items。price: null 表示缺价，0 表示该条件下零价，空数组不代表免费或未开通；开通和权益仍看 pricing.state、pricing.inference_free_usage 等独立字段。--version 选择详情版本，价格按返回的基础模型 name 查询，不保证为版本专属报价。

精确模型的 API capability 排障

用户已给出完整模型 ID，并要求核对 Responses API 等某个 API capability 时，这是「单模型事实核对」，不是候选搜索：

• 必须用 arkcli models get <model-id> --format json，读取完整 api_support。
• 禁止用 models search 代替；search 是候选发现和重排视图，不是精确模型 API 支持度的最终事实源。
• 在 api_support 数组中按 name / key / path 定位目标 API，只按该项 supported 下结论；项缺失时报告元数据不足。
• 如果实际错误是 access 问题，查询后回到原 owning Skill（如 arkcli-chat）解释「模型声明支持」与「当前 Endpoint / 账号可访问」是两层事实；不用真实调用反复试错。

第 0 步（硬闸门）：先读场景表，再选命令

这是任何"按意图找模型"需求的第一动作，先于 search / list / resources 的命令选择。MUST 先用 Read 打开 references/arkcli-models-scenario-table.md 判定意图是否命中某个场景标签，然后才决定跑什么命令。 这张人工策展的 场景标签 → 推荐模型 表是意图排序的最高权重信号，压过下方一切命名启发式 / modality / capability 过滤。

易被截胡的反例（必读）——下面这些"闻起来像硬指标"的意图，本质是场景标签，必须先查场景表，不要本能地跳到 --capability / --modality 降级线：

用户这么说	❌ 别直接	✅ 第 0 步命中的场景标签 → 推荐
"复杂推理 / 多步骤 / 效果最强的模型"	search --capability thinking	复杂推理 / Agent 任务 → 查表，再以实时 lifecycle 排除下线候选
"做图片生成用哪个模型"	resources list --modality image 就收手	图片生成 → doubao-seedream-5-0
"做视频 / 角色扮演 / 字段抽取"	search --modality ...	视频生成 / 角色扮演 / 信息抽取 → 查表

命中后按表里 JOIN 协议执行：取推荐模型族名词干 → arkcli models search <族名词干> 回左表校验事实 → 置顶推荐 + 补 2–3 备选。表里的版本/full-id 只是起点，命中以 search 实时返回为准（实测表 id 会陈旧）。

只有这两种情况才跳过场景表、降级到下方 search + 命名启发式：

• 用户给了明确的数值/能力硬约束（"200K 上下文"、"必须支持 functioncall"），且场景表没有对应标签；
• 用户点名第三方 / 开源 / 历史模型（qwen、glm、Seedream 4.5…）——不强行替换。

注意区分："复杂推理"是场景标签（先查表），不等于用户给了 thinking 硬指标。前者走第 0 步并校验实时 lifecycle，后者才走降级线；下线中的表内旧型号不能成为新接入推荐。

层级边界（重要，别串台）：场景表是"模型广场选型层"，回答"这个意图在广场上选哪个模型"，数据源永远是 models search（catalog）。 它给的是 catalog 推荐模型名（如生图 → doubao-seedream-5-0）。

• "当前 profile 能不能调用、确切可调用 id 是什么"是下游可用性层的事，由 resources list → models get → +gen / +chat 负责（arkcli-gen 已实装），不在本表职责内。
• 因此：用户是纯选型问题（"查/选哪个模型"）→ 只走 models search，不要跑去查 resources list 把"选型"做成"查可用资源"。只有用户真的要生成 / 调用时，才下沉到 resources list 解析本 profile 的真实 id。

这是意图排序线专属。枚举 / 盘点 / 统计是另一条线，走 list，不挂场景表重排。

命令选择

• 用户只知道模糊模型名 / 想按意图找（"最强生视频"、"200K 上下文 LLM"、"支持 thinking 的模型"）：用 search —— 它做关键词模糊 + modality/context/capability 结构化过滤
• 需要按 modality / 分页参数枚举、或精确名匹配：用 list
• 公共目录全量盘点 → models list --page-all；“我上传/精调的模型”、cm-* → arkcli custommodel list/get；“我的 Plan 支持哪些模型” → plans model-list --plan <plan>。“我的模型”范围不明时先澄清，不拿公共目录冒充账号资产。
• 仅 Volc：性能排行、趋势或输入长度对比时，先读 references/arkcli-models-performance.md，再使用 models performance rank、trend 或 input-length
• 已经有明确模型 ID：用 get
• 只是为 +chat / +gen / Endpoint 创建找模型：先保留 owning skill，初始只执行一次有界 models search <keyword> --size 10 --format json（无关键词时省略关键词），成功完整结果形成候选后立即回原任务；不逐候选循环 get。空结果、缺损捕获或需核对精确 API 的情况按 search 恢复规则 处理；不得把一次查询预算变成遗漏关键证据的理由。
• 用户主动要开通某个基础模型（"先把 doubao-seed-1-6-flash 开通好"、"我想试用 fast-infer 子服务"、"先预览开通请求"）：用 activate，先读 references/arkcli-models-activate.md；如果用户只是要 deploy / 创建端点，由 deploy / infer-create 自行触发隐式开通即可，不要先单独 activate

Agent 快速执行顺序

1. 先确认是否已登录；不确定时先看 arkcli auth status
2. 用户描述带意图（modality / 数值容量 / capability / 缓存类别）时，用 arkcli models search + 对应 flag（--modality、--min-context-window、--capability、--cache-type...）；缓存能力必须看 cache_types，不要使用旧 capabilities.caching
3. 用户只知道模糊名称时，仍用 arkcli models search <keyword>（默认返回全部命中，无分页）
4. 需要按 modality 全量枚举或翻页统计时，用 arkcli models list
5. 用户问“最近 N 天创建的自定义模型/我的模型”时，转 arkcli-custommodel 查询账号资产；公共目录日期统计才使用 models list --page-all。过滤字段以所选命令实际输出为准，不能混用两类 schema
6. 已有明确模型 ID，需要详情时，用 arkcli models get
7. 用户明确要开通模型（主动激活，不是为了立刻 deploy）时，用 arkcli models activate <name> [--sub-services ...]；CI 场景加 --yes，本地请求预览用 --dry-run，但不得称为服务端校验
8. 查到 / 激活完模型后，回到发起它的上游链路：+chat / +gen / +deploy

典型业务链路

0. 为数据面命令补全完整模型 ID（必做前置）

先保留用户给出的精确 Endpoint / Custom Model ID，以及当前资源目录返回的合法 Plan 调用名。只有需要公共基础模型的版本化 ID 时，才从本轮 name 与非空 primary_version 组合；Plan 的 output_name / 路由别名不是“漏版本”，不得机械追加日期。实际调用遵守 owning Skill 的执行上下文，目录命中本身不保证账号可调用。

primary_version 格式不固定，不要用正则自行判断"看起来像完整 ID"。实际观察到的格式分布（~152 个模型中约半数非 6 位）：

格式	样例 full ID	常见家族
YYMMDD（6 位日期）	doubao-seed-1-6-251015	doubao 系
YYYYMMDD（8 位日期）	qwen3-14b-20250429、glm-4-6-20250930	qwen / glm 开源
限定前缀 + 日期	doubao-seed-2-0-code-preview-260215、doubao-seed-1-6-nano-unfiltered-250928	灰度 / 变体
纯路由字符串	kimi-k2-6-modelhub、open-source-models-default	外部接入
短数字	qwen3-235b-a22b-instruct-2507	qwen 部分
空串	doubao-seed-tts-2-0（full ID 就等于族名）	TTS / ASR 部分

两条获取路径，按效率递减：

• 路径 A（高效，复用已有结果）：刚执行过 arkcli models search <keyword> 或 arkcli models list 时，返回 JSON 每个 item 自带 primary_version 字段，Agent 直接读取并拼接 <name>-<primary_version>，无需额外调用。search 还会同步返回 context_window / input_modalities / output_modalities / capabilities / cache_types 等结构化字段（来自 ArkModels enrich），下游可以直接基于此判断模型是否合适，省去再调 get 的成本。
• 路径 B（单独查询）：只知道裸名时，arkcli models get <name> --transform 'primary_version' 直接返回版本号

注意：--transform 输出带 JSON 双引号（如 "251228"），shell 拼接前必须 tr -d '"' 剥掉：

VER=$(arkcli models get doubao-seed-1-8 --transform 'primary_version' | tr -d '"')
# VER=251228  -> full ID: doubao-seed-1-8-251228
# VER=""（空串模型）-> 直接用族名: doubao-seed-tts-2-0
if [ -n "$VER" ]; then
  MODEL="doubao-seed-1-8-$VER"
else
  MODEL="doubao-seed-1-8"
fi
arkcli +chat --model "$MODEL" "你好"

1. 为试用找模型

models search [--modality / --capability ...] -> +chat / +gen

2. 为正式接入找模型

models search [--min-context-window / --capability ...] -> +deploy

3. 按硬指标筛选

# 找最新最强的 200K+ 文本模型，含 thinking 能力
arkcli models search --modality text --min-context-window 200000 --capability thinking --strict-filter

# 找视频生成模型
arkcli models search --modality video --strict-filter

# 找多模态 LLM
arkcli models search --multimodal --output-modality text --strict-filter

--strict-filter 强烈建议带上：默认行为是"缺数据保留"（避免误杀），加 strict 后只返回 100% 满足条件的模型。

目录证据与上下文单位

用户问参数支持、缺失参数的运行时行为、search/get 冲突或 NotFound 时，先读 get 的证据与排障规则。缺字段不能当否定证据，冲突必须分别标明来源；公共目录不能用来盘点账号自定义资产。

• models search/get 证明公共目录与元数据，不证明 Endpoint 已创建、控制台候选可见、Key 有效、余额充足或当前账号有权限。绑定问题先用 infer endpoint get / resources resolve 获取真实绑定，再查模型详情；Custom Model 的 base_model_* 是 lineage，不能替换实际 cm-* 绑定。
• api_support 按目标 API 项的 supported 判断；项缺失、capability 为 null/unknown 都是“证据不足”，不是 true 或 false。图像输入能力看 input_modalities，文本输出不能反证不支持读图。目录能力与本次调用结果分开报告。
• context_window 保留精确整数用于筛选。展示缩写按 1K = 1024、1M = 1048576 tokens：131072 → 128K，262144 → 256K，1048576 → 1M，同时给原值；不能整除时直接给精确 token 数，不把 262144 写成 262K。
• 用户要求激活但未定模型时，按 实时候选模板 先查 10 项、投影真实字段、按目标展示 5–8 个代表；不足不编造，空/缺损按恢复规则处理。新接入不推荐 Shutdown/Retiring。0/1/N 选择与写入授权分开；开通子服务、激活基础模型、创建 Endpoint 不能互相替代。
• 完整 ID、版本与展示名按当前 get reference 解析，不用“尾部六位数字”自行拆 ID，不靠换家族或反复激活修复 NotFound。

常见降级

• 认证失败：转 ../arkcli-auth/SKILL.md
• profile / region 看起来不对：转 ../arkcli-config/SKILL.md
• 业务上只是为了给 +chat、+gen、+deploy 找模型名，应优先完成"查模型后回到原任务"，不要停留在 models 本身

命令一览

命令	说明
arkcli models search [keyword] [filters]	Agent 首选：全量召回 + ArkModels enrich + modality/context/capability/cache type 结构化过滤 + 重排；返回字段含 context_window / input_modalities / output_modalities / capabilities / cache_types
arkcli models list	按 modality 全量枚举、翻页统计、模型资产盘点；轻量，不含 enrich
arkcli models get <id> [version]	单个模型完整详情（聚合多 API，最重也最全）
arkcli models performance {rank,trend,input-length}	仅 Volc：公共模型性能排名、趋势与输入长度对比

命名约定的 tier 启发式（降级兜底：仅在场景表未命中时启用）

优先级口诀：场景表命中(★★★) > 命名启发式(★★，本节) > update_time。 先走「快速决策 第 0 步」的场景表；只有场景表没覆盖该意图、或用户点名第三方/开源/历史模型时，才用本节的命名启发式排序。

search 加 filter 之后通常还会剩多个候选，命名里有规律的 tier 信号可以帮 agent 做最后一步排序。这是启发式，不是硬规则：硬指标（context_window / capabilities / modality）永远优先于命名。

代次（major version）— 优先级最高

2-x > 1-8 > 1-6 > 1-5 > ...

代次跳跃通常强于 tier。例：doubao-seed-2-0-mini 在多数任务上强于 doubao-seed-1-6-pro，因为基座模型代次差距大于尺寸档差距。

tier（同代内的尺寸档）

pro  ≥  无后缀  >  lite  >  flash  >  mini  >  nano

• pro：旗舰，最大尺寸 / 最强能力
• 无后缀（如 doubao-seed-1-8）：主力档，通常 ≈ pro
• lite：成本/性能均衡
• flash：速度优化
• mini / nano：低延迟、高并发、最低成本

specialty 后缀（不参与 tier 比较，按用途选）

-code        → 编程优化（Doubao-Seed-Code 等）
-thinking    → 思考能力强化（更长 reasoning）
-vision      → 视觉理解强化
-character   → 角色扮演 / 长旁白
-translation → 翻译专用
-tts / -voice → 语音合成
-asr         → 语音识别

specialty 模型在它的领域内通常强于同代通用 pro，但跨任务时不可移植。

primary_version 比较的注意事项

• 同一 family 内：日期越新越好（260215 > 251228 > 251015）
• 不同 family 之间：不可数值比较。qwen3-14b-20250429（8 位）和 doubao-seed-1-6-251015（6 位）数值上前者大，但和"哪个强"无关
• 比较"哪个更新"统一用 update_time 字段（ISO 8601，可字典序比较），不要去 parse primary_version

决策口诀

filter (硬指标，必须满足)
   ↓
代次 (2-x > 1-x，跨代差距通常 > 同代 tier 差距)
   ↓
tier (pro > 无后缀 > lite > flash > mini > nano)
   ↓
update_time (同代同 tier 时，新者优先)

排序已经在 search 命令里实装

不用 agent 再做客户端 reorder —— arkcli models search 按"先 family 分组、后组内细排"的两阶段排序：

1. bucket             — keyword 可见性 (name 命中 > desc 命中 > 兜底 > hidden)
   ↓
2. 跨 family：       按 family 的"代表分"排（family 成员中的 max ctx → max update_time → family 名）
   ↓                  → 同 family 的所有成员保持在一起
3. 同 family 内部：  gen DESC → tier DESC → ctx DESC → update_time DESC → name ASC

关键设计：

• family 分组先于细排。doubao-seed 家族（max ctx=262144）整体排在 doubao-seed-character（max ctx=131072）和所有 ctx=null 家族之前。这避免了"同家族的 1-6-vision 比 1-8 还靠前"这种违反传递性的奇怪结果。
• 同 family 内 gen 优先于 ctx。新版本即使 ArkModels 元数据还没补齐（context_window=null），也会浮在已有 ctx 数据的旧版本之前。例：glm-5-1（gen=501, ctx=null）排在 glm-4-6（gen=406, ctx=262144）之前；kimi-k2-6（gen=600, ctx=null）排在 kimi-k2-5（gen=500, ctx=262144）之前。
• 代次优先于 tier。同 family doubao-seed-2-0-mini（gen=200, tier=50）排在 doubao-seed-1-8（gen=108, tier=80）之前 —— 跨代差距通常大于同代 tier 差距。
• 跨 family 不比 gen/tier。pro/lite/mini 是 family 内部命名，跨 family 没有可比性 —— 由 family 代表分（max ctx + max time）决定家族先后。

被打了 体验隐藏 / 推理隐藏 / 广场隐藏 任一标签的旧模型自动沉底（不会被 list/search 屏蔽，但永远在结果末尾）。

说明：体验隐藏 / 推理隐藏 / 广场隐藏 是火山方舟模型平台 customized_tags 中的旧版页面隐藏标签，与本 CLI 命令无关，arkcli 仅读取它们用于排序。

模型生命周期：Shutdown / Retiring / Published

ArkModels 给公共模型目录记录打 lifecycle_status，三种值，Search 处理方式不同。这只描述目录视图，不是 Agent/Coding Plan 套餐或个人 Endpoint 的停服事实源；目录 Published 不足以推翻产品下线公告：

status	含义	search 默认行为
Published	公共目录正常展示，不代表任一套餐仍支持	✓ 显示
Retiring	公共目录正在下线，不建议新接入；具体可调用性仍看产品与账号	✓ 显示，agent 应口头提醒并找替代
Shutdown	公共目录已下线；不能据此推断另一产品的独立时间表	❌ 默认过滤掉（加 --include-deprecated 才回来）

另外，display_name 含 废弃 / 下线 / 已下架 / deprecated 关键词的模型也按 Shutdown 处理（兜底，因为有些遗留模型不在 ArkModels 元数据里，靠人工标记）。

Agent 行为约定：

• 不需要做"过滤掉 Shutdown"的客户端逻辑 —— search 默认已经做了
• 看到 lifecycle_status="Retiring" 的模型时，主动提醒用户它正在下线，并尝试在同 family 里找一个更新版本（用 search + 正确 keyword 即可）

❌ 反模式（agent 必读）

下面这些行为是错的 —— 命令选错会让 agent 拿不到 enrich 数据（context_window / modalities / capabilities）、得不到 hidden 沉底 / 加权重排，进而给出错误推荐。

• ❌ 不要用 list 找模型 —— 找模型（任何"哪个模型/找一个 X 模型"意图）一律走 search。list 不做关键词模糊、不做加权重排、不返回 enrich 字段。
• ❌ 不要用 list --modality video 选生视频模型 —— 用 arkcli models search --modality video --strict-filter，它结合 ArkModels 的 output_modalities 和 task_types 兜底，召回更准且能进一步组合 --min-context-window / --capability 过滤。
• ❌ 不要用 list --modality text 选 LLM —— 同上，用 search --modality text --strict-filter。list --modality text 只看 foundation_model_tag.filter_domains 一层信号，会漏掉很多模型。
• ❌ 不要先 list 再 get 来验证 context_window 等参数 —— search 已经在结果里直接返回 context_window / max_input_tokens / max_completion_tokens，省掉一次 get 调用。
• ❌ 不要为了"看 5 条最热门"而 search 不传 keyword —— 现在不传 keyword 是返回全量 152 条按 UpdateTime 降序，不再是策展热门。需要少量结果用 --size 5。
• ❌ 不要把 lifecycle_status="Retiring" 的模型推荐给用户做新接入 —— 这些虽然还能调，但 vendor 已经标记下线倒计时。看到 Retiring 候选时主动提示并搜更新版本。
• ❌ 不要在 search 上做客户端二次过滤来弥补 list 的不足 —— 直接用 search 自带的 --modality / --min-context-window / --capability flag。
• ❌ 不要把精确 ID / 指定版本核对强制变成搜索；此时直接 get。模糊名称或找候选才先 search。
• ❌ 不要因为 models list 没有服务端时间过滤 flag 就去 arkcli api --list 探 Raw API —— 先 models list --page-all --format json，再用本地 JSON 处理按 create_time 过滤。
• ❌ 不要告诉用户"CLI 没有此能力，请去控制台"，除非已经确认 arkcli models list --help 当前版本确实没有可枚举输出，且本地 JSON 过滤也无法完成用户要的统计。

合法的 list 唯一用途：

• ✓ 按 --modality 做全量穷举/审计（不是为了"找最强"）
• ✓ 需要 total_count 这种统计
• ✓ --name foo 精确匹配（agent 几乎用不到，因为 search 也能命中）
• ✓ 盘点公共目录及其时间字段；账号自定义资产不能用公共 models list 替代

参考

• arkcli-chat -- 查到模型后进入对话 / 推理链路
• arkcli-gen -- 查到图片/视频模型后进入生成链路
• arkcli-deploy -- 查到模型后进入 Endpoint 部署链路
• references/arkcli-models-list.md
• references/arkcli-models-get.md
• references/arkcli-models-search.md
• references/arkcli-models-scenario-table.md -- 场景化推荐表（意图排序最高权重）+ JOIN 验证协议
• references/arkcli-models-activate.md