Sprix SAGE Router

这个 Agent 能做什么，适合哪些场景？

Sprix SAGE Router 是一个 Python 研究原型，用于在 A2A 多智能体任务已经开始后重新评估执行路径。它读取任务需求 DAG、当前负责人、已完成节点、进行中工作的进度与质量、产物可移植性、失败记录、预算和截止时间，并在 SELF、COLLABORATE 与 HANDOFF 三种模式之间选择。核心实现包含 SAGERouter、DAG 调度与束搜索、按需求建模的信任机制、在线成功模型、审计轨迹以及可导出的学习状态。sprix_a2a.py 可规范化 Agent Card 信号，并生成包含所有权、任务分配、依赖关系、通信边、资源估计和理由的传输中立 ExecutionPlan。项目不负责实际发送任务、认证端点、验证签名、流式传输、轮询、取消或安全产物传递，因此生产系统仍需接入 A2A 客户端和相应安全设施。它目前属于早期研究预览；仓库中的结果来自合成评估，不构成真实端点上的性能证明。

调用方用 Agent 描述候选执行者的能力、成本和延迟，用 Requirement 与 Task 定义带依赖关系、价值、预算、期限和总体进度的任务，再用 ExecutionState 提供当前所有者、活跃分配、已完成需求、进行中需求、局部质量以及产物可移植性。SAGERouter.route_with_trace() 先执行权限与兼容性过滤，再对候选负责人、需求分配及 DAG 调度进行有界搜索，复核团队成本和关键路径延迟，并按统一效用函数比较 SELF、COLLABORATE 和 HANDOFF。返回的 trace 包含最终 Decision、分配、拓扑、被排除的智能体及可审计备选方案。执行结束后，record_outcome() 接收 ExecutionOutcome，利用成功度、各需求评分、实际成本和实际延迟更新按需求的信任、成功模型及报价可信度；export_state() 可导出学习状态快照。A2A 适配层 sprix_a2a.py 会校验声明的技能 ID，并把路由结果转换为传输中立计划，但不会连接或操作远程端点。

1. 正在构建 A2A 编排器的工程团队，需要在任务中途根据已完成工作和产物复用率决定保留当前负责人还是切换专家。
2. 运行多智能体工作流的研究人员，希望在相同预算、权限和截止时间约束下比较 SELF、COLLABORATE 与 HANDOFF。
3. 拥有异构专家池的平台团队，需要按“智能体—具体需求”积累可靠性证据，而不是给每个智能体使用单一声誉分数。
4. 开发故障恢复流程的系统设计者，需要把失败、局部完成度和上下文转移损失纳入重新分配决策。
5. 评估路由算法的研究团队，需要运行确定性合成基准、进度干预实验、信任收敛研究和候选规模测试。

如何安装或部署这个 Agent？

需要 Python 3.10+ 和 Git。参考实现没有运行时第三方依赖，也未要求 API 密钥或其他凭据。联网克隆仓库后进入项目目录：

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

可运行仓库提供的验证与基准命令：

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

如何使用这个 Agent？

下面的示例建立两个候选智能体和一个带依赖关系的任务，提交执行中状态，读取选定路由，并在执行后反馈结果与导出状态：

from sprix_sage import (
    Agent,
    ExecutionOutcome,
    ExecutionState,
    Requirement,
    SAGERouter,
    Task,
)

agents = [
    Agent("planner", {"planning": 0.92, "coding": 0.55}, cost=0.08, latency_ms=900),
    Agent("coder", {"planning": 0.35, "coding": 0.96}, cost=0.12, latency_ms=1200),
]

task = Task(
    "build-feature",
    requirements=(
        Requirement("planning", 0.4),
        Requirement("coding", 0.6, depends_on=("planning",)),
    ),
    value=1.0,
    budget=0.30,
    deadline_ms=4000,
    progress=0.35,
)

router = SAGERouter(agents, incumbent_id="planner")
state = ExecutionState(
    active_agents=("planner",),
    active_assignments={"planning": "planner", "coding": "planner"},
    completed_requirements=frozenset({"planning"}),
    inflight_requirement="coding",
    inflight_progress=0.35,
    inflight_quality=0.72,
    artifact_transferability={"planning": 0.95, "coding": 0.40},
)
trace = router.route_with_trace(task, state=state)
decision = trace.selected
print(decision.mode, decision.assignments, decision.topology)
print(trace.excluded_agents)

router.record_outcome(
    decision,
    ExecutionOutcome(
        success=0.9,
        requirement_scores={"planning": 0.95, "coding": 0.86},
        actual_cost=0.19,
        actual_latency_ms=1450,
    ),
)

snapshot = router.export_state()

若接入 A2A，调用方仍需自行实现 message/send、流式传输、轮询、取消、身份认证、签名验证和安全产物处理。

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

1. v0.3.0 Sprix SAGE Router v0.3.0 2026-08-28
   发布说明摘录

   Benchmark rigor and scalability - structurally held-out geometric evaluator with independently specified latent skills - random and greedy team baselines - learning, exploration, initialization, and early/late ablations - bounded top-k candidate prefilter and request-local scoring caches - workload-sensitive cost and explicit authorized degraded-route flags - evidence-gated pair synergy updates - related-work comparisons, module split, ruff/mypy CI, and release automation …

   在 GitHub 查看 ↗

常见问题