Sprix SAGE 路由器
面向 A2A 智能体网络的中途执行感知路由层：在任务进行中判断该继续、协作还是移交。
证据显示：权限以硬过滤形式进入路由（A2A 安全需求→permissions 过滤），SECURITY.md 明确威胁模型并要求生产环境自行加身份、沙箱与最小权限；本体外不做传输、认证、签名。扣分点：人为确认仅出现在路线图未勾选项（human approval gates），无任何实现；回滚仅见学习状态快照 export_state，无决策回滚或恢复机制；代码文件未提供，硬过滤与数据流声明的实际实现只能按 README 断言记分。
证据显示：文档间相互一致（README、pyproject、CI 工作流的模块名、命令、schema 版本均对应），无运行时依赖使可用性风险极低。扣分点：失败信息、异常处理质量无法从所给文件验证（test_*.py 与源码未提供）；CI 冒烟基准只覆盖小规模参数。
证据显示：目标场景（检查点感知的中途重路由）、适用条件（SELF/COLLABORATE/HANDOFF 使用时机表）、能力边界（不传输任务、不认证端点、研究预览状态）表述得异常清晰；多版本 Python 矩阵支持 3.10–3.12。扣分点：环境适配依赖使用方自建 A2A 客户端，真实端点评估仍是未完成路线图项；触发精度（何时切换）的实测证据全部来自自建合成基准。
证据显示：信息架构完整（ALGORITHM/RELATED_WORK/INTEGRATION/OPERATIONS/BENCHMARKING 分层文档、仓库地图表）、MIT 许可证全文、pyproject 元数据规范、团队与维护者具名、SECURITY/CONTRIBUTING/CITATION 齐备。扣分点：CHANGELOG.md 被引用但内容未提供，只能按 0.3.0 版本号与路线图推断；examples/README.md 未提供，示例质量无法直接验证；未验证发布者身份使维护承诺的可持续性只能按声明计。
证据显示：输出为含所有权、分配、拓扑、理由的可审计 trace，三个确定性 CLI 生成 JSON 报告；零运行时依赖、纯 Python，成本低。扣分点：边际价值依赖其核心主张（进度感知优于掩码基线），而支撑数据全部由项目自建评估器生成，README 自己声明'不是真实世界优越性证据'，故实际效用上限无法由证据确认。
证据显示：事实与推断分离做得突出——合成数据被反复标注为 regression evidence only，研究预览状态、不做的声明（RELATED_WORK 'does not make' 的主张）均明确；基准命令与 schema 可复跑。扣分点：交叉印证完全缺失，所有性能数字来自同批作者编写的评估器，无第三方或真实端点佐证；关键源码与测试文件未在本次评审材料中提供，具体公式到实现的追溯不可完成。
- 本评审为静态源码评审（置信度：低），未执行任何代码；所给材料不含源码与测试文件，许多评分基于 README 声明。
- 全部基准数据由项目自建评估器生成，README 自认不是真实世界优越性证据；在采用该路由器的中途切换决策前，请在真实 A2A 端点上独立复验。
- 原型不认证、不签名、不传输任务；生产使用必须按 SECURITY.md 补齐身份、授权、沙箱与人工审批，当前无任何人工确认机制实现。
- 状态快照与 trace 不得包含密钥、私有提示词或个人数据；学习证据可在线污染信念，缺乏回滚机制。
- 发布者未经策展注册表验证，维护可持续性按声明对待，请自行核实。
这个 Agent 能做什么，适合哪些场景？
Sprix SAGE Router 是屿智同行旗下 Sprix AI 开源的研究预览项目，定位为 A2A 协议之上的决策层，回答执行已开始后'谁应该和谁一起工作'的问题。核心是带检查点感知的 SAGERouter，在同一可审计的目标函数下比较 SELF、COLLABORATE、HANDOFF 三种路由模式，综合考虑已完成需求、可复用工件、观测到的部分质量、剩余工作、预算与截止时间。代码由 sprix_sage.py（路由、DAG 调度、束搜索、审计轨迹）、sprix_learning.py（在线模型与 Beta 信任）、sprix_types.py（校验类型）、sprix_a2a.py（Agent Card 归一化与传输中立的 ExecutionPlan）组成，运行时零依赖，需 Python 3.10+。项目提供三个基准 CLI（benchmark.py、benchmark_dynamic.py、benchmark_trust.py），但作者明确声明这些合成结果只是回归与证伪证据，不证明真实环境优势，当前并非可投产的 SLA 或经同行评审的结论。
输入是 Task（带 Requirement DAG、价值、预算、deadline、progress）和 ExecutionState（活跃代理、在途进度/质量、已完成需求、工件可移植性），SAGERouter.route_with_trace() 先做权限与能力过滤，再对 SELF/COLLABORATE/HANDOFF 三种模式联合搜索需求归属与调度（同一代理上的工作串行、独立代理可并发），按效用函数 U(m,S,z,E)=V·p̂_θ−λC−λL−λR−λH−λO… 排序可行方案，输出含归属、分配、DAG 依赖、通信边、估算资源和决策理由的审计轨迹。执行后通过 record_outcome() 回填 ExecutionOutcome（成功率、逐需求得分、实际成本与时延），更新逐需求条件化信任与在线成功模型，并可用 export_state() 导出版本化 JSON 学习快照。sprix_a2a.py 将 A2A AgentCard.skills 等信号映射为能力向量，把选中路由转换为传输中立的 ExecutionPlan；仓库还提供 demo.py、examples/ 示例及三个支持确定性种子和 JSON 输出的基准命令。
- 搭建 A2A 多智能体系统的工程团队，需要在任务执行中途（检查点处）决定 incumbent 是继续、组建小型协作团队还是整体移交给专家代理。
- 多代理平台开发者，希望用逐需求（而非单一信誉分）的条件化信任模型来跟踪每个代理在每个技能上的可靠性。
- 研究人员复现或对照进度感知与进度遮蔽、静态联盟枚举、动态 oracle 等中途重路由基线，benchmark_dynamic.py 提供可复现的检查点轨迹回放。
- 需要可解释路由决策的团队：route_with_trace 输出被排除代理、硬过滤解释和可审计备选方案，便于事后审查切换逻辑。
- 希望在离线环境中用合成数据做学习消融与回归测试的团队，benchmark.py 与 benchmark_trust.py 支持确定性种子和 JSON 报告。
这个 Agent 有哪些优点和局限？
- 研究聚焦明确：专门解决执行开始后的检查点感知重配置，这是多数 A2A 发现层不覆盖的运行时问题，且 SELF/COLLABORATE/HANDOFF 共享同一受权限、预算、截止时间约束的行动空间。
- 可审计与可证伪设计：route_with_trace 输出决策理由、排除原因与备选方案；独立评估器不调用路由器的切换方程来打分，benchmark 动态研究还包含进度遮蔽对照、同质负对照等证伪性实验。
- 工程负担低：Python 3.10+ 且零运行时依赖，学习状态可导出为版本化 JSON 快照，所有基准 CLI 支持确定性种子和 JSON 输出。
- 所有基准数字均来自随项目一同编写的合成评估器，作者自己声明这'不是真实端点优势的证据'；尚缺在异构真实 A2A 端点上的重复检查点评估，采纳前需自行验证。
- 原型边界明显：不传输任务、不认证端点、不验证签名，A2A 集成中的 message/send、流式、取消、安全工件处理都需调用方自建；真实 A2A 适配器仍在路线图上。
- 作为早期研究预览，非生产 SLA 也不是同行评审结果；生产化要求校准的评估器、认证身份、签名能力元数据、隐私与安全审查及运维门控，迁移成本不低。
如何安装或部署这个 Agent？
仅需 Python 3.10+，运行时无第三方依赖：
git clone https://github.com/wang2122/sprix-sage-router.git
cd sprix-sage-router
python demo.py无需任何 API 密钥或凭据。验证套件：python -m unittest -v；基准：python benchmark.py、python benchmark_dynamic.py、python benchmark_trust.py。
如何使用这个 Agent？
作为 Python 库嵌入你的调度代码。最小用法：
python
from sprix_sage import Agent, ExecutionOutcome, ExecutionState, Requirement, SAGERouter, Taskagents = [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)
print(trace.selected.mode, trace.selected.assignments, trace.selected.topology)
router.record_outcome(trace.selected, ExecutionOutcome(success=0.9, requirement_scores={"planning": 0.95, "coding": 0.86},
actual_cost=0.19, actual_latency_ms=1450))
snapshot = router.export_state()注意：当前原型不发送任务、不做端点认证或签名验证；message/send、流式、轮询、取消与安全工件处理由调用方的 A2A 客户端负责。