SprixSageRouter：让多 Agent 网络学会动态路由的开源技能

Skill超级捕获手 技术创作者 2026-09-24 14 阅读

让 AI Agent 自动判断：该自己干、找帮手、还是转交别人？SprixSageRouter 为 A2A 多智能体网络设计了一个状态感知路由层，在任务执行过程中动态决定三种路线：SELF（当前 Agent 独立完成）、COLLABORATE（当前 Agent 保留主导权、招募协作者）、HANDOFF（完全转交给更专业的其他 Agent）。项目来自 Sprix AI（屿智同行）团队，开源 4 周多已斩获约 4,200 颗 GitHub Star，正处于快速爬升期。

核心能力与设计原则

SprixSageRouter 的核心是 SAGE（State-Aware Graph Exchange）算法，夹在 A2A（Agent2Agent）协议发现层和执行层之间，专门回答一个 A2A 规范没有覆盖的问题：任务执行已经开始后，谁该接着干、怎么干？

SAGE 在每次路由决策中同时评估三条路线，最终选出一条综合得分最高的方案。路线对比不是拍脑袋，而是综合了 DAG 节点完成度、已积累的中间产物质量、新 Agent 的加入是否值得放弃当前上下文等多维证据。

认可度

  • GitHub Star：约 4,197（截至 2026-09-24）
  • 增长曲线：Dr. Wei Liu 的 LinkedIn AI Agent Trending 周报显示，2026-09-18 时为 3,690 Star，当周新增 +833——说明这是一个近期快速爬升中的新晋项目
  • 语言：Python 3.10+，零运行时外部依赖，可直接 pip install 或 git clone 使用
  • 定位：不是通用 Agent 框架，而是路由决策层，可插在任何支持 A2A 协议的多 Agent 系统之上

链接

GitHub：https://github.com/wang2122/sprix-sage-router

原作者

wang2122 / Sprix AI（屿智同行）

Sprix AI 是一个专注多智能体协作的研究团队，”屿智同行”是其品牌名。该团队长期关注 A2A 协议生态，此次开源的 sprix-sage-router 是其在 Agent 运行时路由方向的研究输出，算法细节公开在 ALGORITHM.md 中，论文级公式推导可自行查阅。

项目介绍

多 Agent 系统的一个核心难题是：Agent 协作不仅要在规划阶段确定分工，更要在运行时根据实际进度动态调整。传统方案要么静态配置 Agent 能力，要么让单个 Agent 承担全部工作——两者都无法优雅地处理”做到一半发现需要找专家”或”做到一半发现其实自己就能搞定”这类真实场景。

SprixSageRouter 填补了这个空白。它接收一个任务上下文（包括已完成 DAG 节点、部分产出质量、剩余工作量、预算、截止时间），然后在 SELF / COLLABORATE / HANDOFF 三条路线中选优，并将决策结果连同证据一起输出，供后续审计或调优使用。

路由核心公式如下：给定任务需求 r，SAGE 先计算当前 Agent 已完成的比例 f_r 和候选 Agent 的复用比例，再将两部分能力估计合并为”校准能力”，最后联合搜索最优角色分配和调度方案。每条路线都受到权限、预算和截止时间约束，确保决策在真实系统限制内可行。

特点

  • A2A 原生：基于 Agent2Agent（a2a-protocol.org）协议设计，可直接插入任何遵循 A2A 规范的多 Agent 系统
  • 状态感知：不仅看任务描述，还综合已完成 DAG 节点、部分产出质量、失败历史等实际执行状态做路由决策
  • 三条路线可选：SELF（自主完成）、COLLABORATE（招募协作者）、HANDOFF（完全转交），覆盖大多数协作场景
  • 零运行时依赖：Python 3.10+，无第三方包依赖，生产环境引入成本低
  • 可审计：每次路由决策输出完整的替代方案评分记录，方便回溯和调优
  • 支持证据学习：内置 Beta 分布信念 + 在线逻辑回归，路由策略可随实际执行结果迭代优化

使用方法

安装与快速开始

git clone https://github.com/wang2122/sprix-sage-router.git
cd sprix-sage-router
python demo.py

验证套件

python -m unittest -v
python benchmark.py
python benchmark_dynamic.py
python benchmark_trust.py

最小调用示例

from sprix_sage import (
    Agent, Task, SAGE, PermissionFilter, BudgetLimit, DeadlineLimit
)

# 定义 Agent 与任务
agents = [Agent(id="C", role="coder"), Agent(id="R", role="reviewer")]
task = Task(id="t1", requirements=["write_fn", "refactor", "test"])

# 配置约束与路由
pf = PermissionFilter(agents, permissions={...})
budget = BudgetLimit(max_cost=100)
deadline = DeadlineLimit(max_duration=3600)

router = SAGE(constraints=[pf, budget, deadline])
result = router.route(task, agents, current_owner="C", completed_ratio=0.4)
print(result.selected_route)   # SELF / COLLABORATE / HANDOFF
print(result.audit_trail)      # 三条路线评分详情

使用场景与人群

适用场景

  • 复杂任务的多 Agent 协作系统：任务中途发现需要引入专家或协作者，SprixSageRouter 自动决策
  • A2A 协议生产系统：已在用 A2A 协议但路由逻辑是手写或固定的团队，可直接替换为 SAGE 层
  • 企业级 Agent 工作流：需要可审计路由决策记录的场景（如金融、医疗、合规），每一步决策都可回溯
  • 多 Agent 研究与评估：研究不同路由策略对任务完成质量、成本、延迟的影响

目标用户

  • 多 Agent 系统开发者（LangGraph、AutoGPT、自研 Agent 框架等）
  • A2A 协议生态玩家
  • 企业级 AI 工作流架构师

输入与输出案例

案例 1：保险理赔处理

输入：理赔任务 T，包含”材料核实 → 定损 → 理算 → 支付”四个 DAG 节点，当前 Agent C 已完成材料核实（f=0.25），剩余节点需要核损专业知识。

SprixSageRouter 评估：
– SELF：当前 C 继续做，但定损非 C 强项，预计质量分数偏低
– COLLABORATE：C 保留主导权，招募核损 Agent D 并行处理，定损质量提升，上下文转移成本低
– HANDOFF：完全转交给核损专家 D，但 C 已完成的材料核实结果转移价值丢失

输出：COLLABORATE，附三条路线评分和完整决策证据，审计日志可查。

案例 2：代码重构任务

输入：代码重构任务 R，当前 Agent C（coder）已完成函数提取（f=0.5），进入重构阶段后发现改动涉及 C 不熟悉的加密库。

SprixSageRouter 评估：
– SELF：C 继续但错误率升高，质量分数下降
– COLLABORATE：C 保留主导，找安全 Agent S 做专项 review，协作开销可接受
– HANDOFF：转交给安全专家 S，但 C 已积累的重构上下文转移成本高

输出：COLLABORATE，C 主导 + S 安全 review，路由决策基于实际部分质量而非假设。

GitHub: https://github.com/wang2122/sprix-sage-router

评论区

0 条评论

登录后可评论。

Skill超级捕获手 14 阅读