Sprix SAGE Router · AI 工具图鉴

📌 核心价值：多智能体中途"谁来干"这件事，终于有了可审计的统一决策层

当 Agent 已经干到一半，是该自己硬扛、拉个互补队友、还是整单甩给专家？Sprix SAGE Router 把这道题算得明明白白。

封面图

🚀 什么是 Sprix SAGE Router？

多智能体（Multi-Agent）系统现在很火，A2A 协议解决了"Agent 之间怎么发现彼此、怎么传任务"。但有一个更难的运行时问题一直没人好好回答：任务已经开始执行了，到底该让谁继续干？

Sprix SAGE Router（来自 Sprix AI「屿智同行」）就是做这件事的决策层。它架在 A2A 协议之上——复用 A2A 的 Agent Card、消息、任务、制品、认证和传输——只负责一个判断：在当前状态、当前进度下，哪个可行的 Agent 配置，该以哪种模式、为什么去执行这个任务。

它把三种走向放进同一个可审计的目标函数里竞争：

SELF（自己干）：现任智能体能力够、上下文也攒够了，就别折腾。
COLLABORATE（拉队友）：现任智能体保留所有权，找几个互补的队友把缺的能力补上。
HANDOFF（甩给专家）：当专家优势大于上下文转移损失时，整单交给对等服务者。

项目目前是 v0.2 研究预览，MIT 协议，要求 Python 3.10+，零运行时依赖（纯标准库），⭐679、🍴11。

✨ 核心功能一览

SAGE 不是拍脑袋的启发式，它把"中途改派"做成了一套有数学支撑的流水线：

核心特性一览

其中最关键的三个设计：

互补优先于名望：一个团队因为"边际需求覆盖"被奖励，而不是收集一堆各自高分却冗余的 Agent。
上下文信任：可靠性是按"智能体 + 需求"分别学习的——编码强，不代表研究也强。
可审计输出：每一次决策都附带分配、拓扑、成功率、覆盖率、成本、延迟、风险和一段人读的理由。

🛠️ 快速上手：5 分钟跑通示例

参考实现没有任何第三方依赖，克隆即用：

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

跑完还能顺手验一下正确性：

python -m unittest -v
python benchmark.py

最小可用代码，直观展示"规划 + 编码"两个 Agent 如何被路由：

from sprix_sage import Agent, ExecutionOutcome, 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")
decision = router.route(task)
print(decision.mode, decision.assignments, decision.topology)

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

注意：它输出的是"决策 + 理由"，不是黑盒结果——这在生产环境排查"为什么这次派给了谁"时非常关键。

🔀 三模式路由到底怎么选？

SAGE 把 SELF / COLLABORATE / HANDOFF 放进同一个效用函数 U 里打分排序，而不是用三套互不搭界的 if-else。效用函数权衡成功率、成本、延迟、风险、上下文转移损失、协调开销，还带不确定性探索项：

U(m,S,z,E) = V·p̂θ(y=1 | x,m,S,z,E) − λc·C − λl·L − λr·R − λh·H − λo·O − λu·U + β·B

团队覆盖用校准能力 q_{a,r} 计算：C_r(S) = 1 − ∏_{a∈S}(1 − q_{a,r})。每个需求分给校准后最强的成员，再按 DAG 串行/并行排程，最后统一排名。

三种模式的取舍一目了然：

SAGE 三模式路由对比

决策循环长这样——任务 DAG 加实时状态进来，过权限/预算/截止时间过滤，SELF/HANDOFF 直接评、COLLABORATE 用集束搜索组队，分配排程后进入上下文成功模型打分，输出可审查决策，再从真实成本延迟回填更新信任：

路由决策循环

🌐 它为什么重要：A2A 时代的"派单大脑"

2026 年 Agent 互联有三大协议层：MCP 管"Agent 调工具"，A2A 管"Agent 找 Agent 协作"，AG-UI 管"Agent 对人交互"。A2A 由 Google 提出、现由 Linux 基金会 AAIF 托管，创始成员包括 OpenAI、Anthropic、Google、Microsoft、AWS、Block。

2026 三大协议分层对比

问题就出在：A2A 告诉你"有哪些 Agent 可用"，但没告诉你执行到一半该不该换人。SAGE 正是填这个空——它是 A2A 之上那个"派单大脑"，让开放市场上异构 Agent 接单、中途改派、组团、并能被审计。

📊 和同类方案比，强在哪？

SAGE 的差异点很清晰：别人大多在"设计期"或"任务开始前"做路由，它专攻执行中途的状态感知重决策，而且每次执行后从真实反馈里更新信任与报价保真度。

同类 Agent 编排方案对比

💡 适用场景

场景 1：开放 Agent 市场的动态接单

路由决策循环

功能说明：多个异构 Agent 在开放市场上接单，执行到一半发现缺某种能力，SAGE 实时决定 SELF/COLLABORATE/HANDOFF。 输入要求：A2A Agent Card（能力、报价）+ 任务 DAG + 实时执行状态。 输出效果：一份带理由的路由决策，以及随执行积累的可信度画像。 适用场景：研究或预生产环境里需要可控、可查、能抗虚假报价的中途调度。

用户群体总结

✅ 多 Agent 系统研究者：需要可复现、可审计的路由基线。
✅ A2A 生态开发者：想给自己的 Agent 网络加一层"派单大脑"。
✅ 平台型 Agent 市场：要按证据动态组队、抗刷分刷报价。
❌ 不适合：追求生产级 SLA 的团队——项目明确是 v0.2 研究预览，基准为合成模拟，未证实现实优势。

💰 定价与协议

完全开源，MIT 协议，零运行时依赖，本地即可跑，没有 SaaS 订阅、没有调用计费。

开源协议： MIT

💡 上手成本极低：克隆即跑，无依赖、无账号、无费用

🎯 总结

多 Agent 协作从"能不能发现彼此"走向"执行中途谁来干"，SAGE Router 给出了一个数学清晰、全程可审计、还能从反馈里持续变聪明的答案。它不一定适合今天就要上生产，但作为 A2A 时代"派单大脑"的研究基线，⭐679 的热度说明这个方向踩在了点上。

推荐指数： ⭐⭐⭐⭐（研究预览，潜力明确，生产待验证）

适合人群： 多 Agent 研究者、A2A 生态开发者、Agent 平台架构师

立即体验： Sprix SAGE Router GitHub

数据截至 2026-08-21，最新信息请以官网为准。

配套媒体