什么是sprix-sage-routerA2A多智能体三模式路由完整入门指南【免费下载链接】sprix-sage-routerSprix AI at 屿智同行 — state-aware SELF/COLLABORATE/HANDOFF routing for A2A agent networks.项目地址: https://gitcode.com/gh_mirrors/sp/sprix-sage-routersprix-sage-routerSprix SAGE Router是 Sprix AI 团队开源的 A2A 多智能体路由层它不是让智能体互相打招呼的协议工具而是在任务执行过程中持续回答一个更难的问题——当前该智能体独自干完SELF、招募互补伙伴协作COLLABORATE还是把任务整体交给更专业的对等体HANDOFF它能在预算、权限、截止时间三重约束下做出可审计的决策并从真实执行结果中持续学习。上图展示了 SAGE 的四阶段路由管线硬可行性过滤 → 三模式候选生成 → 需求分配与 DAG 调度 → 受限效用排序最后通过执行证据完成在线更新。为什么多智能体网络需要路由层大多数 A2AAgent2Agent协议解决了发现问题系统里有哪些智能体、各自会什么技能。但真正的痛点出现在任务执行中途现任智能体做到 35% 进度时是继续做下去还是换人缺失的编码能力该补一个助手还是整体移交换人带来的上下文转移损失和协调开销值不值得SAGE 的命名含义是State-Aware Graph Exchange状态感知图交换它把任务建模为带依赖的需求 DAG把候选智能体及其历史表现建模为可学习的信任证据然后在统一的目标函数里比较三条路由。你可以把它理解为 A2A 发现层之上、任务执行之下的决策大脑。三模式路由详解SELF、COLLABORATE、HANDOFF这是 sprix-sage-router 最核心的概念三种模式在同一个效用函数中竞争而不是各自用孤立启发式规则模式任务归属适用场景SELF现任智能体独自完成现有能力与已积累上下文已足够COLLABORATE现任保留所有权招募小团队少数互补伙伴即可覆盖缺失需求HANDOFF对等体获得完整所有权专家优势大于上下文转移损失几个对新手很友好的设计细节互补性优先于声望团队因边际需求覆盖被奖励而不是收集一堆高分但能力冗余的智能体权限第一不满足安全权限的智能体在打分前就被硬过滤预测分再高也无法入选情境化信任可靠性按智能体 × 需求学习——编码强不代表研究强可审计route_with_trace会记录获胜方案、所有可行备选及每个被排除智能体的明确原因。快速上手如何安装并运行 sprix-sage-router参考实现要求Python 3.10且没有任何运行时依赖详见 pyproject.toml克隆后直接跑演示即可git clone https://gitcode.com/gh_mirrors/sp/sprix-sage-router cd sprix-sage-router python demo.pydemo.py 是一个可读性很强的端到端路由示例定义两个智能体planner 与 coder、一个带依赖关系的任务coding 依赖 planning调用路由后打印出选中模式、角色分配与通信拓扑再把执行结果通过record_outcome反馈给路由器完成学习。运行完演示后建议再跑一遍验证套件与基准测试python -m unittest -v python benchmark.py两个可运行的 A2A 集成示例也在仓库中examples/a2a_execution_plan.py从 Agent Card 到可审计执行计划examples/replan_and_persist.py记录失败证据、围绕失败智能体重规划并恢复学习状态说明见 examples/README.mdA2A 集成从 Agent Card 到执行计划生产集成时SAGE 刻意保持传输中立——它只做决策不发消息。官方集成指南 docs/INTEGRATION.md 给出了清晰的阶段划分通过可信注册表发现 Agent Card并在 SAGE之外完成身份与签名验证把声明的技能与本地校准的能力、成本、时延、权限证据合并调用route_with_trace获得选中路由、可行备选与被排除原因将获胜路由转换为传输中立的ExecutionPlan由你自己的 A2A 客户端负责消息发送、流式、轮询、取消等传输职责任务完成后把证据反馈给record_outcome并用export_state持久化学习状态。A2A 信号与 SAGE 概念的对应关系如下方便你映射现有系统A2A / 市场信号SAGE 表示AgentCard.skills归一化能力向量安全要求硬permissions资格过滤任务状态、产物与失败执行状态、已完成 DAG 节点、转移损失服务商报价Bid(cost, latency, confidence)负责 Agent Card 安全归一化与执行计划生成的核心模块是 sprix_a2a.py路由算法本体则集中在 sprix_sage.py。持续学习从执行证据到情境化信任SAGE 最大的差异化在于在线学习闭环。每次任务执行后ExecutionOutcome携带整体质量、逐智能体/逐需求得分、实际成本与真实时延路由器按最强可用证据分层更新显式智能体得分 → 需求分配部分信用 → 团队整体低权重证据。报价与实际执行的偏差还会反过来校准报价保真度让说得好听的智能体逐渐失去便宜。所有学到的信念与模型参数都可以导出为带版本的 JSON 快照跨重启恢复——前提是智能体名单完全一致防止证据串号到不同的市场群体。算法全貌与局限性在 ALGORITHM.md 中有完整论述。基准测试sprix-sage-router 表现如何benchmark.py 使用一个外部模拟器其隐藏能力、成对效应、质量函数刻意与 SAGE 的预测模型不同在 5 个随机种子、共 2500 个任务上对比多种策略策略外部质量公共效用成本/预算截止期违约仅现任智能体0.507 ± 0.0030.389 ± 0.0020.239 ± 0.00526.4%声明技能单干0.558 ± 0.0050.435 ± 0.0050.292 ± 0.00411.9%可行单干 Oracle0.553 ± 0.0050.440 ± 0.0050.271 ± 0.0050.0%静态 SAGE0.584 ± 0.0070.462 ± 0.0070.315 ± 0.0050.0%在线 SAGE0.631 ± 0.0060.487 ± 0.0060.422 ± 0.0080.4%在线 SAGE 用略高的成本换取了更高的模拟质量且截止期违约率趋近于零——这种取舍是显式可见的而不是被单一能力分掩盖。需要提醒这些合成数字验证的是学习机制与约束处理尚不是真实世界优势的证明基准方法论详见 docs/BENCHMARKING.md。项目结构与上手路线图路径用途sprix_sage.py上下文路由器、DAG 调度、束搜索、审计跟踪与持久化在线状态sprix_a2a.py安全的 Agent Card 归一化与传输中立执行计划demo.py端到端路由演示benchmark.py可配置外部模拟器支持控制台与 JSON 报告ALGORITHM.md形式化目标、搜索、信用分配与局限docs/INTEGRATION.mdA2A 集成指南docs/OPERATIONS.md生产就绪度审计、持久化、指标与灰度门禁examples/A2A 规划与重规划持久化示例test_sprix_sage.py / test_sprix_a2a.py路由器与适配器测试建议的入门路线跑demo.py→ 读examples/两个示例 → 过一遍 ALGORITHM.md 的形式化定义 → 用 docs/OPERATIONS.md 的指标清单规划监控。总结它适合谁sprix-sage-router 目前是一个研究预览而非生产 SLA适合以下人群正在构建 A2A 多智能体网络、需要谁和谁干决策层的架构师研究智能体路由、团队组合与在线学习的算法工程师想学习任务 DAG 调度、束搜索与情境化信任校准的学习者。它开源了完整的算法设计、可审计路由跟踪、带版本的学习快照与传输中立的集成边界是 A2A 生态中少见的带学习能力的决策层参考实现。【免费下载链接】sprix-sage-routerSprix AI at 屿智同行 — state-aware SELF/COLLABORATE/HANDOFF routing for A2A agent networks.项目地址: https://gitcode.com/gh_mirrors/sp/sprix-sage-router创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考