摘要：虽然老土，但在处理格式化数据（如订单号、特定指令词）时最稳健。 2. 自动化数据处理管道 邮件进来，路由判断是"销售线索"→进p;版本，兼顾理解力与速度 ollama run qwen2.5:14b

1. 核心代码解析 我们的目标是构建一个Pipeline Router：

定义工具集（BookingTool订机票、InfoTool查信息） 分类器Agent（只输出booker/info/unclear） Pipeline串联（分类→重写prompt→调用对应工具）

// 完整逻辑见仓库完整示例 // https://

01 引言：当你的 Agent 遇到选择困难症

你是否曾遇到过这样的场景：AI 助手面对复杂任务时，总是执行固定流程，无法根据实际情况灵活调整？比如用户问"我想订一张去伦敦的机票"，AI却只会回答通用信息，而不是直接调用预订工具。这就是传统线性处理的痛点——缺乏自适应决策能力。

这正是单 Agent 的瓶颈。在复杂的工程实践中，试图用一个全能模型处理所有场景，不仅成本高、响应慢，更会导致逻辑坍塌。

路由模式（Routing） 就像是给 AI 加上了一个聪明的分拣中心，它能根据用户意图，将任务自动派发给最擅长的专家模型或工具。

今天，我们来聊聊智能体设计模式中的路由模式（Routing） ，它能让你的 AI 系统像人类一样，根据不同情况做出智能判断和选择。

02 什么是路由模式？

简单来说，它是一种让智能体系统根据输入、状态或前一操作结果，在多个潜在行动之间进行动态决策的机制。

路由模式的本质，是引入条件逻辑让 Agent 具备动态决策能力。它不再是死板地执行预设步骤，而是先理解请求，再决定走哪条路。

想象一下医院分诊台：患者进门，护士先判断是急诊、内科还是骨科，再引导到对应科室。路由模式就是你的 Agent 的分诊护士。

关键转变：

• 过去：固定 Pipeline，无论输入是什么都走同一套流程
• 现在：自适应响应，根据意图动态选择处理路径

这种模式的核心价值在于：

1. 性能优化： 简单问题走小模型（如 Qwen-1.5B），复杂问题走大模型。
2. 专业分工： 确保特定的子任务由装备了特定工具（tools）的 Agent 处理。
3. 可靠性提升： 避免无关上下文干扰 LLM 的判断。

03 拆解路由模式的四种心法

要实现高效路由，通常有四种主流机制：

1. 基于 LLM 的语义路由： 使用一个轻量级 LLM 作为分类器，判断意图并输出类别标签。这种方式灵活性最高，能处理复杂的语义。
2. 基于嵌入（Embedding）的路由： 将用户输入向量化，通过计算与预设类别向量的余弦相似度进行跳转。其优势在于极高的响应速度和极低的成本。
3. 基于规则的路由： 利用关键词匹配、正则表达或特定的 JSON 模式。虽然老土，但在处理格式化数据（如订单号、特定指令词）时最稳健。
4. 基于传统机器学习模型的路由： 当你有海量历史数据时，训练一个 SVM 或随机森林分类器，往往能平衡精度与推理耗时。

04 应用场景：它能帮你解决什么问题？

1. 人机交互（智能客服/AI导师） 用户说"我订单到哪了"→路由到订单查询、物流查询工具；"怎么退款"→路由到售后流程；"聊聊人生"→路由到闲聊模式。告别"答非所问"。

2. 自动化数据处理管道 邮件进来，路由判断是"销售线索"→进 CRM，"用户投诉"→升优先级，"垃圾邮件"→直接归档。RAG 系统也可用它做文档类型分发给不同解析器。

3. 多智能体协作（Multi-Agent） 研究型 Agent 中，路由根据任务类型分配给"搜索 Agent"、"总结 Agent"或"数据分析 Agent"。你是指挥官，Routing 是调度系统。

05 Rust 实战：用 Rig + Ollama 搭建路由网关

1. 本地环境准备

首先，确保你已经安装了 Ollama，并拉取了适合分类的轻量模型：

# 推荐使用通义千问 14B 版本，兼顾理解力与速度
ollama run qwen2.5:14b

2. 核心代码解析

我们的目标是构建一个Pipeline Router：

1. 定义工具集（BookingTool订机票、InfoTool查信息）
2. 分类器Agent（只输出booker/info/unclear）
3. Pipeline串联（分类→重写prompt→调用对应工具）

// 完整逻辑见仓库完整示例
// https://github.com/Doomking/rust-zhixingshe-examples/blob/main/ai-agent/agentic-design-patterns/agentic-design-patterns-rs/examples/chapter_02_routing_example_cn.rs 

// 1. 定义工具：订机票
#[derive(Deserialize, Serialize)]
struct BookingTool;

impl Tool for BookingTool {
    const NAME: &'static str = "booker";
    type Error = ToolError;
    type Args = BookingArgs;
    type Output = String;

    async fn definition(&self, _prompt: String) -> ToolDefinition {
        serde_json::from_value(serde_json::json!({
            "name": "booker",
            "description": "预订机票或酒店",
            "parameters": {
                "type": "object",
                "properties": {
                    "request": {
                        "type": "string",
                        "description": "用户的具体预订请求。"
                    }
                },
                "required": ["request"]
            }
        }))
        .expect("Failed to parse tool definition")
    }

    async fn call(&self, args: Self::Args) -> Result<Self::Output, Self::Error> {
        println!("-------------------------- Booking Tool Called ----------------------------");
        Ok(format!("已为您模拟执行了以下预订操作：'{}'", args.request))
    }
}

// 2. 分类器Agent：只做意图识别，不处理业务
let classifier_agent = client
    .agent("qwen2.5:14b")
    .preamble(
        "你的任务是使用以下类别对用户的请求进行分类：[booker, info, unclear]\n\
            - booker: 用于预订机票、酒店或行程。\n\
            - info: 用于一般的知识性问题和信息检索。\n\
            - unclear: 如果请求不符合以上任何一类，或者意图不明确。\n\n\
            注意：只允许输出类别名称，不要输出任何其他多余字符。",
    )
    .temperature(0.0)
    .build();

// 3. 终极Agent：携带所有工具，等待被"激活"
let default_agent = client
    .agent("qwen2.5:14b")
    .preamble(
        "你是一个负责执行专用工具的智能体。 \
            关键规则：当调用工具获得了返回结果后，你必须完全按照字面意思一字不差地输出工具的原始结果。 \
            不要进行总结，不要添加任何开场白或结束语，也不要解释任何事情。只需返回最原始的工具输出。",
    )
    .tool(BookingTool)   // 装备订机票工具
    .tool(InfoTool)      // 装备查信息工具
    .temperature(0.0)
    .build();

Pipeline的精髓 在于 map_ok 这一步——根据分类结果动态重写 prompt，指挥终极 Agent 调用正确工具：

let chain = pipeline::new()
    // a. 提交给分类器进行初步意图判断
    .prompt(classifier_agent.clone())
    // b. 按照语义路由分配不同的执行 Prompt
    .map_ok(|x: String| match x.trim().to_lowercase().as_str() {
        "booker" => Ok(format!(
            "用户想要预订一些东西。你必须坚定地调用 'booker' 工具来处理此请求：'{}'",
            request
        )),
        "info" => Ok(format!(
            "用户正在询问信息。你必须坚定地调用 'info' 工具来处理此查询：'{}'",
            request
        )),
        "unclear" => Ok(format!(
            "用户的请求不清晰。请直接以助手的身份回复用户，并用中文要求他们澄清他们的请求：'{}'",
            request
        )),
        message => Err(format!("Could not process - received category: {message}")),
    })
    // c. 抹平错误嵌套层级 (解析前面的 Result)
    .map(|x| x.unwrap().unwrap())
    // d. 将携带不同重写规则的 Prompt 发送到包含各种工具的终极节点 Agent 进行触发
    .prompt(default_agent.clone());
match chain.try_call(*request).await {
    Ok(response) => println!("Final Output:\n {}", response.trim()),
    Err(e) => println!("Pipeline Failed: {:?}", e),
}

3. 运行及效果

执行命令

ollama run qwen2.5:14b

cargo run --example chapter_02_routing_example_cn

运行结果

--- Running Rig Pipeline Routing with Tools ---

--- Running with an booking request ---
Request: '帮我预订一张去伦敦的机票。'
-------------------------- Booking Tool Called ----------------------------
Final Output:
 已为您模拟执行了以下预订操作：'帮我预订一张去伦敦的机票。'

--- Running with an info request ---
Request: '意大利的首都是哪里？'
-------------------------- Info Tool Called ----------------------------
Final Output:
 正在处理信息请求：'意大利的首都是哪里？'。结果：已模拟检索该信息（请编造一个合理的回答）。意大利的首都是罗马。

--- Running with an unclear request ---
Request: '给我讲讲量子物理学。'
-------------------------- Info Tool Called ----------------------------
Final Output:
 正在处理信息请求：'给我讲讲量子物理学。'。结果：已模拟检索该信息（请编造一个合理的回答）。

--- Running with an random info request ---
Request: '告诉我一个随机的冷知识。'
-------------------------- Info Tool Called ----------------------------
Final Output:
 正在处理信息请求：'告诉我一个随机的冷知识。'。结果：已模拟检索该信息（请编造一个合理的回答）。

--- Running with an future booking ---
Request: '找一下下个月去东京的航班。'
-------------------------- Booking Tool Called ----------------------------
Final Output:
 已为您模拟执行了以下预订操作：'找一下下个月去东京的航班。'

06 挑战与应对方案

尽管路由模式强大，但在工程化中仍面临挑战：

07 结语：迈向 Agentic 工作流

路由模式是 Agent 从玩具走向生产的分水岭。它让系统具备上下文感知和动态决策能力，是构建复杂AI应用的必经之路。

接下来，你可以尝试：

1. 动手试用： 克隆示例仓库，在本地用 Ollama 跑通上述代码。
2. 优化路由： 尝试将 classifier_agent 换成基于向量检索的静态路由。
3. 加入讨论： 在评论区分享你在设计路由模式时遇到的最大坑点。

参考资料

1. Agentic Design Patterns - Routing
2. Rig 官方仓库
3. Ollama 文档
4. Rust 知行社示例仓库

本文使用 markdown.com.cn 排版