意图路由：Agent 的大脑与决策中枢

系列：ToyAgent 智能体知识库 06/26

一句话核心：不是所有问题都需要同一个处理流程。先识别意图，再分流——从单车道升级为立交桥。

为什么需要

把天气、计算、闲聊全塞进一个 ReAct 循环，会遇到三个问题：

延迟高：闲聊一句"你好"也要跑完思考-行动-观察的循环，每步都过一次模型；
成本贵：简单问题白白消耗多轮 Token；
不可控：闲聊场景也可能意外触发工具，行为难以预期。

解法：入口先做一次轻量分类，再按意图走专属通道。每条通道可以是完全不同的处理策略——工具链、计算器、纯对话——互不干扰，各自可优化。这与微服务网关的路由是同构思想：先分流，再处理。

核心机制

两段式：LLM 意图识别 + 决策中枢分发。

// 1. 意图识别：让模型输出分类 JSON
String ROUTER_PROMPT = """
        你是意图识别路由器。只输出 JSON：
        {"intent": "weather|math|chat", "reason": "一句话理由"}
        """;
String intent = Json.str(model.chat(...), "intent");

// 2. 决策中枢：按意图路由
return switch (intent) {
    case "weather" -> handleWeather(input);   // 走工具链
    case "math"    -> handleMath(input);      // 走计算器
    default        -> handleChat(input);      // 走纯对话
};

路由器的三重身份

意图分类器：识别"用户到底想要什么"；
任务规划器：复杂请求拆成子任务序列（本场景简化为单跳）；
Agent Loop 的节拍器：每轮循环先经过路由，决定继续、转向还是终止。

graph TD
    A["用户输入"] --> B["意图识别 LLM 分类"]
    B --> I1{"intent 是什么"}
    I1 -->|weather| W["handleWeather 工具链"]
    I1 -->|math| M["handleMath 计算器"]
    I1 -->|chat| C["handleChat 纯对话"]
    W --> O["专属通道回答"]
    M --> O
    C --> O

图示：意图路由分流图——入口一次轻量分类后走三条互不干扰的专属通道，等同微服务网关的先分流再处理。

LLM 路由 vs 规则路由

维度	关键词规则	LLM 分类	混合（生产推荐）
延迟	0	1 次模型调用	规则快筛 + LLM 兜底
准确率	表面词匹配，易误判	语义级理解	双保险
成本	免费	按 Token 计费	可控

举例：一次分流决策的轨迹

入口 Agent 收到三条输入，同一套路由器，三条不同通道：

输入①："广州现在多少度，要带伞吗？"
  → 意图识别：{"intent": "weather", "reason": "询问实时天气"}
  → handleWeather：调 get_weather 工具 → "26°C 多云" → 组织回答

输入②："3.7 * 1.06 + 12 是多少？"
  → 意图识别：{"intent": "math", "reason": "数值四则运算"}
  → handleMath：直接调 calculator，不进 ReAct 循环 → 精确计算

输入③："帮我看看这段代码哪里有 bug：public static int add(int a, b) ..."
  → 意图识别：{"intent": "chat", "reason": "代码咨询，无对应工具"}
  → handleChat：纯对话，按系统提示词风格回答

注意输入②的价值：不经路由的话，这个算式会进 ReAct 循环，模型可能"心算"出错还不调计算器；路由后强制走计算器通道，精度有保证。规则路由在这里会失效——输入里若没有"计算"字样（"3.7 乘 1.06 加 12"），关键词匹配就漏了，LLM 语义分类才能兜住。

生产视角——路由器本身也可以先用规则快筛省钱：

// 混合路由：高频明确意图走规则（0 延迟），其余交给 LLM
String intent = input.matches(".*(多少度|天气|下雨).*") ? "weather"
              : llmClassify(input);   // 兜底：语义级分类

面试考点

"多 Agent 系统怎么分工？"——第一步就是路由：一个入口 Agent 识别意图后，把任务分给领域 Agent（天气 Agent / 客服 Agent / 代码 Agent）。路由是多智能体协作的前置能力，后续多智能体场景会复用。
"路由模型用大模型还是小模型？"——分类是轻任务，用小而快的模型（甚至规则）足够；把大模型的预算留给真正的领域处理。

生产化路径

意图集合可配置：意图 → 通道的映射放配置中心，新增意图不改主干代码；JSON 输出枚举做严格校验，模型输出未知意图时落到 default 通道而不是抛异常。
混合路由降本：先用关键词/正则快筛高频明确意图（0 延迟免费），LLM 只兜语义模糊的尾巴。
路由即观测点：在路由层埋"意图分布 + 置信度"日志，意图误判率上升时能第一时间发现——路由错，后面通道再好也白搭。
与记忆联动：路由决策本身也可作为上下文注入（"本轮已判定为天气意图"），避免 ReAct 循环内重复犹豫。