新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何用treg路由端点(treg.capability)让平台自动选供应商?

发布时间:2026/11/14 13:53:55来源:尧图网络
如何用treg路由端点(treg.capability)让平台自动选供应商?
如何用treg路由端点treg.capability让平台自动选供应商【免费下载链接】tregOpenRouter for agent tools. Join community here: https://discord.gg/6mQYYfFMAn项目地址: https://gitcode.com/GitHub_Trending/treg/tregtreg路由端点treg.capability是 treg —— 被称为工具的 OpenRouter的多供应商 API 网关 —— 提供的自动选供应商机制你只描述要完成的任务treg 会在多个能完成该任务的供应商之间自动比较价格与成功率选出最优的那一个来执行请求并在响应中明确告诉你是谁在为你服务。无需注册任何上游供应商账号一个 token 即可调用。treg路由端点解决什么问题平时调用 treg 目录里的供应商端点如hunter.people.email.findtreg 只是忠实转发——它不会偷偷替你换供应商。但现实往往是查一个商务邮箱Hunter、LeadMagic、Lusha 都能做价格与命中率却各不相同。手动比价、切换、重试太费事。treg.capability路由端点就是为这个场景设计的显式委托当某个能力capability下有2 个以上经过验证的供应商适配器时treg 会自动生成一行treg.capability端点。你调用它等于明确授权 treg 替你选供应商并且它永远会在响应中指名实际服务的供应商。完整能力分类清单见 src/treg/catalog/capabilities.yaml路由机制的设计细节在 docs/context/architecture/catalog.md 的 Routing 章节。三步上手调用第一个treg路由端点第1步查看路由计划不花一分钱在正式调用前先用catalog get查看 treg 会怎么排供应商——它返回一份带价格的排序报价单plan只是估算不产生任何扣费treg catalog get treg.people.email.find第2步发起调用按能力契约传参即可。people.email.find这类端点支持多种身份写法identity variants# 用姓名 公司域名 treg call treg.people.email.find --body {full_name: Alex Chen, domain: acme.com} # 或直接用 LinkedIn 主页 treg call treg.people.email.find --body {linkedin_url: https://www.linkedin.com/in/alexchen}第3步确认是谁在服务响应体中包含output标准化结果、raw获胜供应商的原始返回以及_treg元信息served_by谁在服务、tried试过哪些、charged_micro实际花费。响应头里的X-Treg-Served-By和X-Treg-Providers-Tried是等价的透明信息。treg. 的选型逻辑先省钱再拼命中率treg 为每次调用生成一个候选排序规则非常可解释你自己的密钥永远排第一。如果你团队已注册了某供应商的工具或存了对应密钥走你的密钥treg 不计费其次比每次命中成本 本次请求的计价 × 计费概率 / 命中率。命中率优先取真实样本≥20 次判定后才生效否则退回历史成功率瀑布式回退waterfall默认开启首选供应商查无结果miss自动换下一家继续按最便宜的优先顺序推进按次成功计费per-success的供应商查不到是不收费的预算封顶X-Treg-Route-Max-Cost默认每次调用封顶 $1候选者会跳过超出预算的尝试若因封顶只完成了部分尝试响应会带_treg.capped: true方便你决定是否加大预算。路由控制头偏好、排除与熔断通过几个请求头你可以精细干预路由行为请求头作用典型用法X-Treg-Route-Prefer点名优先某供应商--header X-Treg-Route-Prefer: hunterX-Treg-Route-Exclude排除某供应商避开价格波动大的渠道X-Treg-Route-Max-Cost本次调用花费上限0.05表示最多花 5 美分X-Treg-Route-Waterfall: 0关闭瀑布首个 miss 即停只想要首选供应商的答案关于失败的处理也值得放心供应商 4xx 通常意味着请求本身有问题路由会停在水流安全的位置并把每次尝试都列给你route_caller_fault而供应商 5xx、限流、余额类错误则继续尝试下一家至多两次额外尝试。哪些能力有路由端点任何具备2 个以上已验证子供应商的能力都会自动生成treg.capability行——目前是自动生成的永不手写。目前treg.people.email.find是文档中给出示例的代表而像google.serp.maps、companies.jobs.search、amazon.product.sellers等高流量能力同样已接入多供应商路由。你可以在搜索里直接看到当搜索结果命中某个能力下任一供应商时treg.capability会以该子供应商的最佳评分一起展示最多折叠展示 5 个子供应商其余提示你treg catalog get parent展开。适合谁用什么时候别用它✅Agent 自动化让 LLM 只描述任务路由细节全交给 treg响应头足够机器解析✅成本敏感场景瀑布 预算封顶 自己的密钥优先天然压低每次命中的花费❌需要精确指定供应商行为时仍建议直接调用provider.endpoint原样转发端点避免任何中间建模。⚠️ 一个小提醒邮箱/电话类命中若未验证verified不为 truetreg 会附上一句_treg.advice提醒找到 ≠ 确认可达——它只给建议不会替你自动追加验证调用去翻倍计费。延伸资料命令行完整参考含路由端点章节USAGE.md能力路由的核心包与契约验证src/treg/domain/catalog/routing/init.py路由端点的生成规则与执行语义docs/context/architecture/catalog.md不自动换供应商这一产品原则的出处docs/context/foundation/charter.md一句话总结把任务名写进treg.capabilitytreg 负责比价、试错、兜底和记账——你只管收结果供应商是谁它自己报名字。【免费下载链接】tregOpenRouter for agent tools. Join community here: https://discord.gg/6mQYYfFMAn项目地址: https://gitcode.com/GitHub_Trending/treg/treg创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉