路由（Routing） | Agentic Design Patterns | 智能体设计模式

内容纲要

当系统要处理多种类型的任务时，单一线性流程会又慢又不准。路由（Routing）通过对输入做意图识别与条件分支，把请求动态分发给最合适的工具、子智能体或提示链，既提升准确率也增强扩展性。本文给出落地方法、实现清单与常见坑位，适合构建多场景、多工具的智能体系统。

TL;DR

核心：根据上下文与意图选择“路径”，让专业任务交给专业模块。
方法：LLM 路由、向量路由、规则路由、机器学习路由，各有优劣。
组合：先路由后执行提示链；或在提示链中间节点使用路由。
关键：定义清晰的路由选项、兜底策略、可观测性与回放。
扩展：新增能力只需添加新路由目标，系统随需扩容。
边界：简单场景不必上路由；当输入类型明显多样时优先路由。

是什么：让系统“选对路”的机制

路由（Routing）让智能体根据输入和上下文，动态选择最合适的处理路径。常见关系：

与提示链：提示链负责按步骤执行；路由决定走哪条链
与并行化：可对多个路由候选进行并行评估后再决策

基本流程：

用户输入 → 意图识别/分类 → 路由决策 → 分发到专业处理单元/提示链 → 执行结果

示意图：

读图要点：把“识别→分发→执行”拆开，便于扩展新路径与定位错误。

为什么：线性流程无法应对多样输入

单一路径很难覆盖多类型请求，易出现“用错工具”的情况
让擅长检索的去检索，让擅长下单的去下单，实现“各司其职”
通过路由抽象，系统能“插拔式”扩展新处理单元

对比结论：

线性流程 → 简单但僵硬；
路由系统 → 动态适应、模块化、可扩展。

怎么做：实现清单与落地要点

1）定义路由选项（职责不重叠）

列清楚每个目标模块“能做什么、不做什么”
给出样例输入与“验收条件”，避免边界模糊

2）选择路由方法（四选一或混合）

方法	原理	优势	劣势	适用场景
LLM 路由	提示引导模型输出“目标标签”	灵活、理解复杂语境	成本/延迟较高	语义复杂/新颖输入
向量路由	语义向量与候选路径相似度	快、鲁棒性好	需预构建向量库	语义相似判定
规则路由	if-else/关键字/正则	速度快、确定性强	灵活性低	模式稳定、规则明确
机器学习路由	训练分类器	快、可解释性可控	需标注数据	有历史数据的场景

实践建议：

先规则，后向量，再 LLM；有数据后引入 ML 分类提升上限
可做级联：规则快速过滤 → 向量候选 → LLM 最终裁决

3）兜底与回退

无法分类 → 触发澄清提问或默认安全路径
路由错误 → 支持“重新路由”，并记录错误样本

4）可观测性

记录：输入、决策分数、所选路径、执行结果、耗时与成本
回放：可重现同一请求在当时被如何分发，便于 A/B 与治理

5）组合提示链

“路由选择哪条提示链”，提示链执行具体任务
在长链中间使用路由，动态决定后续步骤（如“是否需要补充检索”）

场景范式

1）人机交互系统

用户查询 → 意图分析 → 路由决策
  ├─ 查信息 → 检索工具
  ├─ 下订单 → 交易系统
  ├─ 技术支持 → 故障排除/转人工
  └─ 意图不明 → 澄清子智能体

价值：响应更专业、体验更好。

2）数据处理流水线

数据输入 → 内容/格式分类 → 路由到对应流程
  ├─ 销售线索 → CRM/销售流程
  ├─ 技术问题 → 支持流程
  ├─ 紧急事项 → 升级处理
  └─ JSON/CSV → 数据转换

价值：自动分发，降低人工成本。

3）多智能体协作

任务 → 高层调度器 → 分派给专业智能体
  ├─ 搜索 → 搜索Agent
  ├─ 总结 → 总结Agent
  └─ 分析 → 分析Agent

价值：发挥各Agent所长。

对比与取舍：方法选型建议

复杂语义/冷启动 → LLM 路由
语义相近度判断、需低延迟 → 向量路由
规则明确、可快速上线 → 规则路由
有数据、追求规模化 → ML 路由
组合方式：规则→向量→LLM 的级联，常见且实用。

常见错误与排错

路由选项职责重叠 → 先梳理边界与样例，再落地
没有兜底策略 → 一旦“无法分类”就卡死；加澄清与默认路径
不记录决策过程 → 无法优化；必须保留日志与回放
过度依赖单一方法 → 结合规则/向量/LLM/ML 的级联更稳
不与提示链配合 → 只路由不编排，效果有限；组合更佳

FAQ

问：路由会增加时延吗？
答：取决于方法。规则/向量几乎无感，LLM 路由会增加 100–500ms；可缓存常见请求的路由结果。
问：如何评估路由准确性？
答：建立测试集与混淆矩阵，目标准确率 >95%；同时跟踪业务指标（转化、一次通过率）。
问：路由和提示链如何协同？
答：路由选链，链做事；链中也能用路由（条件分支）。
问：如何避免误路由？
答：设置置信度阈值；低于阈值走澄清或人工审阅。

延伸阅读与引用

LangGraph 文档：https://langchain-ai.github.io/langgraph/
LangChain RunnableBranch（路由）：https://python.langchain.com/docs/expression_language/how_to/routing
Google ADK 文档：https://google.github.io/adk-docs/
LangGraph 条件边：https://www.langchain.com/langgraph

总结

路由让系统“把事交给对的人”：以清晰的职责划分、合适的决策方法与完善的兜底策略，实现对多样输入的自适应处理。与提示链和并行化协同后，你能在“准、稳、快”之间取得更好的平衡，并为后续迭代预留充足的扩展空间。