【第685期】Agent-as-a-Router：编程任务的智能模型路由框架

Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。 如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。 联系小助手微信：seventy3_podcast（加群/投稿论文） 今天的这篇的主题是： Agent-as-a-Router: Agentic Model Routing for Coding Tasks Summary 在现实场景中，用户通常可以接入来自不同供应商的多个大语言模型（LLM），且这些 LLM 往往在不同的领域各有所长，但没有单个模型能够独霸所有领域。因此，将每个任务路由至最合适的模型，对于提升性能和控制成本均至关重要。 现有的路由器将该问题视为一种静态的、一次性的分类问题。然而，我们发现这些路由器的性能瓶颈在于信息匮乏：仅仅为原生 LLM 路由器补充任务维度层面的性能统计数据，就能带来 15.3% 的相对收益，超越基于同等维度先验构建的启发式路由方式。 受此发现启发，我们提出了 Agent-as-a-Router 框架，将路由过程形式化为一个 C-A-F 循环（上下文 Context →行动 Action → 反馈 Feedback → 上下文 Context）。该框架通过在部署期间不断积累基于执行实践的经验，填补了信息鸿沟。 我们将该框架实例化为 ACRouter（由协调器 Orchestrator、验证器 Verifier 和记忆模块 Memory 组成），并推出了 CodeRouterBench 评估环境——该环境包含约 1 万个任务实例，并附带来自 8 个前沿 LLM 的验证得分，从而支持在流式任务上进行基于“后悔值”（regret-based）的路由器对比。 实验表明，ACRouter 在域内（in-distribution）任务上取得了最低的累计后悔值，并且能够泛化至域外的具主体性编程（agentic-programming）任务，证明了我们的路由框架能够主动弥合信息差。 原文链接：https://arxiv.org/abs/2606.22902 前往小宇宙评论区与主播互动