给你的 Agent 招个“前台”：如何用 Router 模式解决工具调用的混乱？ - 链载Ai

在这篇文章里，我们学会了 ReAct，给 AI 装上了工具（Tools）。
我一学会，就开始“贪心”了。

“我要做一个超级企业助手！我要给它装上：查天气、搜股票、查数据库、发邮件、写代码、画图、订机票……”

于是，我在一个 Prompt 里塞进了20 个工具的定义（Function Definitions）。

结果呢？
系统崩了。
不是报错，而是 AI 开始乱调。

•

用户问：“今天天气不错。”

•

AI 调用了send_email，给老板发了封邮件说“天气不错”。

•

或者 AI 反应巨慢，因为每次都要阅读几千字的工具说明书。

这就是“单体 Agent”的极限。
当一个人的手里拿着 20 把锤子、扳手、锯子时，他干活一定手忙脚乱。

怎么解决？
像开公司一样解决。你不需要一个“全能员工”，你需要一个前台（Router）和一群专家（Specialists）。

今天，我们来聊聊 Agent 架构中最重要的模式之一：多工具路由（Router Pattern）。

01 什么是 Router（分发员）？

在复杂的 AI 系统中，Router是一个专门的轻量级 Agent。

它不干活，它只负责指路。

•

用户输入：“帮我查下上季度的财报。”

•

Router（前台）：“这是财务类问题。转接 ->财务专家 Agent。”

•

财务专家 Agent：接收任务，调用数据库工具，计算，回答。

Router 的核心价值在于降噪。
对于“财务专家”来说，它只需要看到 3 个财务工具，不需要知道怎么“画图”或“订票”。
上下文更短，注意力更集中，准确率自然飙升。

02 如何写一个“前台” Prompt？

Router Prompt 的写法，和普通的 Chat Prompt 完全不同。
它本质上是一个多分类任务（Multi-Classification Task）。

一个优秀的 Router Prompt 必须包含三个要素：

目的地清单（Destinations）：有哪些专家可供选择？

判断逻辑（Criteria）：什么情况该找谁？

结构化输出（Structured Output）：别废话，给我 JSON。

实战 Prompt 模板：

###Role
你是一个智能意图分发员（Router）。
你**不负责回答问题**，你的唯一任务是判断用户的意图，并将任务分发给最合适的下游负责人。

###Destinations (下游专家清单)
1.**[Finance_Agent]**: 负责处理财务报表、股票查询、汇率计算。
2.**[Coding_Agent]**: 负责编写代码、调试 Bug、解释技术文档。
3.**[General_Chat]**: 负责闲聊、讲笑话、通用问答。

###Instructions
1.分析用户的输入内容。
2.根据上面的清单，选择**唯一**一个最匹配的负责人。
3.如果用户的问题不属于上述任何专业领域，请路由给[General_Chat]。

###Output Format
请仅输出 JSON 格式，不要输出任何解释性文字：
{
 "destination": "选中的专家名称",
 "reason": "简短的分发理由"
}

###User Input
{{user_input}}

案例测试：

•

用户：“帮我写个 Python 脚本。” ->{"destination": "Coding_Agent"}

•

用户：“特斯拉股价多少？” ->{"destination": "Finance_Agent"}

•

用户：“你好呀。” ->{"destination": "General_Chat"}

03 进阶技巧：参数提取与“甚至改写”

单纯的“指路”还不够。
好的前台，在转接电话时，会把客户的需求整理好再递给专家。

这就是 Router 的进阶用法：提取与改写（Extraction & Rewrite）。

假设用户说：“帮我用 Python 画一张特斯拉去年的股价走势图。”

如果不处理，直接把这句话丢给Finance_Agent，它可能会困惑：“我只管查股价，不会画图啊？”
丢给Coding_Agent，它可能会困惑：“我没数据，怎么画？”

这时候，Router 需要做一个拆包或者精准传递。

我们修改 Output Format：

###Output Format
{
 "destination": "Coding_Agent",
 "next_input": "用户需要画特斯拉股价图。请调用 Finance 工具获取数据，然后用 Matplotlib 画图。"
}

Router 在分发的同时，生成了一个针对下游 Agent 的具体指令（next_input）。
这样，下游的专家拿到任务时，就不是一句模糊的用户口语，而是一个清晰的执行工单。

04 语义路由（Semantic Router）：更快、更省

如果你的工具非常多（比如 100 个），用 LLM 来做路由会很慢，而且很贵。

这时候，我们可以引入语义路由。

这不是 Prompt Engineering，这是工程架构。
原理很简单：

给每个 Agent 写几句“样板问题”（比如财务 Agent：查股价、看财报、算汇率）。

把这些样板问题转化成向量（Embedding）存起来。

当用户提问时，计算用户问题与样板问题的相似度。

这种方式不需要调用 GPT-4，只需要跑一次本地向量计算，速度是毫秒级的。

•

简单场景：用 Prompt Router（灵活性高）。

•

高并发场景：用 Semantic Router（速度快、成本低）。

05 产品经理的思考：组织架构决定系统效能

康威定律告诉我们：系统的架构往往反映了组织的沟通结构。

做 Agent 也是一样。
如果你发现你的 Agent 越来越笨，改一个 Prompt 坏三个功能，那说明它太“臃肿”了。

这时候，别再死磕那个几千字的 Prompt 了。
请把你的 Agent 拆分掉。

招聘一个精明的“前台”（Router），雇佣一群专注的“专家”（Sub-Agents）。
让“前台”去处理纷繁复杂的意图，让“专家”在各自的小黑屋里把活干到极致。

分工，才是人类社会（以及 AI 社会）效率提升的根本动力。

写在最后

Router 模式是 AI 应用从Demo（玩具）走向Production（生产环境）的必经之路。

它虽然增加了一次调用的成本，但它换来的是：

更高的准确率（专人专事）。

更好的可维护性（改财务模块不会影响写代码模块）。

更强的扩展性（想加个画图功能？挂个新 Agent 就行）。

别让你的一号员工累死了。给他找几个帮手，再招个前台吧。