路由模式：智能分发 + 垂直 Agent
路由模式：智能分发 + 垂直 Agent
路由模式的核心是智能分发——根据任务类型、内容或上下文将请求路由到不同的垂直 Agent。读完你能设计出适配多种场景的路由层，理解分类器精度与兜底策略的关键 trade-off。
一、概念速查
1.1 什么是路由模式
路由模式（Router Pattern）用一个中央路由层替代"一个 Agent 处理所有请求"。路由层分析入站任务，分发给最适合的垂直 Agent，类似微服务架构中的 API Gateway + 后端服务。
1.2 核心术语速查
| 术语 | 定义 |
|---|---|
| 路由层（Router） | 中央分发节点，接收请求并决定目标 Agent |
| 垂直 Agent | 专精某一领域的 Agent（客服、代码、分析） |
| 分类器 | 路由层的决策引擎，可用轻量模型、规则或 LLM |
| 兜底 Agent | 当路由无法匹配时接管的通用处理 Agent |
| 路由表 | 任务类型 → 目标 Agent 的映射规则 |
| Fallback 策略 | 路由失败或 Agent 超时时的降级处理逻辑 |
1.3 三种路由实现方式
| 方式 | 决策引擎 | 延迟 | 成本 | 适用场景 |
|---|---|---|---|---|
| 基于规则 | 关键词 / Regex / 意图匹配 | 极低 | 接近 0 | 分类边界清晰的场景（工单类型、指令前缀） |
| 基于轻量模型 | BERT 分类器 / Embedding + KNN | 低 | 低 | 分类明确的场景，类别固定 |
| 基于 LLM Judge | LLM Judge 分析后决策 | 中 | 高 | 分类模糊、需要语义理解的复杂场景 |
二、底层原理
2.1 路由层的核心职责
路由层不只是"选一个 Agent"，它还承担：
- 请求分析：解析用户输入，提取意图、实体、上下文
- 路由决策：根据分析结果匹配最合适的 Agent
- 参数转发：将原始请求转换为目标 Agent 所需的输入格式
- 结果汇聚：可选——将 Agent 返回结果做后处理（格式化、翻译、合并）
- Fallback：路由失败或 Agent 异常时降级
2.2 路由决策的三种方法
方法一：基于规则的路由器
最轻量，适合分类边界清晰的场景。
# Python 3.11+ | from src.router import RuleRouterfrom__future__importannotationsimportrefromdataclassesimportdataclass,fieldfromtypingimportCallable@dataclassclassRuleRouter:"""基于规则的路由器——关键词 + 正则匹配"""routes:dict[str,str]=field(default_factory=dict)fallback:str="general"defadd_rule(self,pattern:str,target:str)->None:self.routes[pattern]=targetdefroute(self,text:str)->str:forpattern,targetinself.routes.items():ifre.search(pattern,text,re.IGNORECASE):returntargetreturnself.fallback router=RuleRouter(fallback="general_agent")router.add_rule(r"客服|退货|退款|投诉","customer_service")router.add_rule(r"代码|bug|debug|部署","code_agent")router.add_rule(r"报表|图表|统计|分析","analytics_agent")print(router.route("我想退货"))# customer_serviceprint(router.route("帮我查 bug"))# code_agentprint(router.route("今天天气"))# general_agent方法二：基于 Embedding 的路由器
将请求文本和 Agent 描述向量化，用语义相似度匹配。
# Python 3.11+ | from src.router import EmbeddingRouterfrom__future__importannotationsfromtypingimportSequenceimportnumpyasnpfromsentence_transformersimportSentenceTransformer# pip install sentence-transformersclassEmbeddingRouter:"""基于语义相似度的路由器——Embedding + Cosine 相似度"""def__init__(self,model_name:str="all-MiniLM-L6-v2")->None:self.model=SentenceTransformer(model_name)self.agents:dict[str,str]={}# agent_name -> descriptionself.agent_embeddings:dict[str,np.ndarray]={}defregister_agent(self,name:str,description:str)->None:self.agents[name]=description self.agent_embeddings[name]=self.model.encode(description)defroute(self,text:str,top_k:int=1)->Sequence[str]:text_emb=self.model.encode(text)scores={name:float(np.dot(text_emb,emb)/(np.linalg.norm(text_emb)*np.linalg.norm(emb)))forname,embinself.agent_embeddings.items()}sorted_agents=sorted(scores,key=scores.get,reverse=True)# type: ignore[arg-type]returnsorted_agents[:top_k]router=EmbeddingRouter()router.register_agent("customer_service","处理退货退款投诉等客户服务问题")router.register_agent("code_agent","编写代码、调试、部署和技术支持")router.register_agent("analytics_agent","数据分析、报表生成和可视化")print(router.route("我的订单怎么还没到"))# ['customer_service', ...]方法三：基于 LLM Judge 的路由器
用 LLM 做语义理解，适合边界模糊的任务。
# Python 3.11+ | from src.router import LLMRouterfrom__future__importannotationsimportjsonfromtypingimportAnyfromopenaiimportOpenAI# pip install openaiclassLLMRouter:"""基于 LLM Judge 的路由器——LLM 分析后决策"""def__init__(self,client:OpenAI,agents:list[str])->None:self.client=client self.agents=agents self._build_system_prompt()def_build_system_prompt(self)->None:agent_list="\n".join(f"-{a}"forainself.agents)self.system_prompt=f"""分析用户请求，选择最合适的 Agent 处理。 可选 Agent：{agent_list}仅返回 JSON，格式： {{"agent": "agent_name", "reason": "简短理由"}}"""defroute(self,text:str)->dict[str,Any]:resp=self.client.chat.completions.create(model="gpt-4o-mini",messages=[{"role":"system","content":self.system_prompt},{"role":"user","content":text},],response_format={"type":"json_object"},temperature=0,)returnjson.loads(resp.choices[0].message.contentor"{}")client=OpenAI()router=LLMRouter(client,["customer_service","code_agent","analytics_agent"])print(router.route("帮我画一下 Q2 的销售额趋势"))# {"agent": "analytics_agent", "reason": "用户需要数据分析与可视化"}2.3 路由结束后做什么
路由决策只是第一步。路由层还需处理三种后续情形：
| 情形 | 处理方式 | 说明 |
|---|---|---|
| Agent 返回成功 | 原路返回给用户 | 可选加后处理（格式统一、翻译、脱敏） |
| Agent 返回错误 | 重试 → 切换 → 报错 | 同 Agent 重试 1-2 次，仍然失败则切到兜底 Agent |
| Agent 超时 | 降级到兜底或报错 | 设严格超时（如 30s），超时后走 Fallback |
2.4 路由模式 vs 单一 Agent
| 维度 | 单一 Agent | 路由模式 |
|---|---|---|
| 系统 Prompt | 巨大（所有能力塞进一个 Prompt） | 极简（仅路由分类 Prompt） |
| 上下文污染 | 高——文件搜索指令可能干扰客服推理 | 无——各 Agent 上下文隔离 |
| 工具集 | 全部挂载，LLM 选择易出错 | 仅挂载本领域工具，选择准确率高 |
| 扩展性 | 加新能力 = 重写 Prompt | 加新 Agent 注册即可 |
| 容错性 | 一个环节失败全流程挂 | 路由层独立，单个 Agent 故障不影响其他 |
三、架构设计原则
3.1 兜底优先原则
路由不可用时，必须有兜底。任何分类器都有精度上限。当置信度低于阈值时，不强行分类——回退到通用 Agent 或请求用户澄清。
3.2 路由层无状态原则
路由层不记忆会话历史，每次请求独立决策。理由：
- 单一职责：路由只做分发，不做推理
- 可扩展：无状态意味着可以水平扩展路由节点
- 可隔离：会话状态属于垂直 Agent 的职责范围
3.3 分类器精度 ≠ 路由质量原则
100% 精度的分类器不代表好的路由体验。要考虑：
- 误召回的成本不对称：把客服问题路由给代码 Agent（代码 Agent 执行不了）比路由给兜底 Agent（兜底能处理大部分）严重得多
- 路由延迟：多 100ms 分类延迟 + 垂直 Agent 的推理延迟，用户感知明显
- Agent 负载：高并发下路由应做简单限流，避免将请求发给已过载的 Agent
3.4 可观测性原则
路由决策必须可追溯：
- 记录每次路由的输入、决策结果、置信度、延迟
- 记录 Fallback 触发的原因和次数
- 用路由日志持续优化分类规则（误分类案例分析）
3.5 渐进式复杂度原则
不要一开始就上 LLM Judge 路由：
- 先用规则路由（关键词 + 正则），积累分类样本
- 样本量足够后训练一个轻量文本分类模型
- 仅处理分类边界模糊的剩余请求用 LLM Judge 兜底
每一步都验证"这一步真的需要吗"——路由层的核心目标是降低成本、提升准确率，不是"用上最新技术"。