任务路由：先分清问题，再选择处理入口

1. 什么是路由

任务路由是根据输入，选择一个处理入口。用户问退款期限，进入政策查询；用户问订单在哪，进入订单查询；问题同时涉及两者，先澄清或拆成子任务。

这和客服分诊相似：政策问题交政策资料，订单问题交订单系统。路由器的输出是入口名称，后面的处理器再执行具体工作。把它们分开，可以独立检查“分到哪里”和“进去后做得怎样”。

确定性分支指相同输入和规则会得到相同选择。例如表单已有 type=refund，可以直接按字段分流；自然语言变化很多时，可以由分类模型辅助，应用程序再检查返回入口是否在列表里。

2. 运行一个可看懂规则的路由器

先在 PowerShell 创建并进入学习目录：

mkdir "F:\学习\l3-routing" -Force
cd "F:\学习\l3-routing"

保存下面的文件后，在这个终端运行 dir 核对文件名，再执行本节给出的运行命令。

在新目录创建 routing.py：

先在 PowerShell 创建并进入学习目录：

mkdir "F:\学习\l3-routing" -Force
cd "F:\学习\l3-routing"

保存下面的文件后，在这个终端运行 dir 核对文件名，再执行本节给出的运行命令。

"""按问题内容选择处理入口，多种意图并存时先澄清。"""
import json

def route(question):
    # 简单关键词规则使分流原因可直接观察。
    wants_policy = "退款" in question
    wants_order = "订单" in question
    if wants_policy and not wants_order:
        return "policy_search"
    if wants_order and not wants_policy:
        return "order_lookup"
    return "clarify"

if __name__ == "__main__":
    for question in ("退款期限是多少", "订单123在哪里", "订单退款", "你好"):
        print(json.dumps({"question": question, "route": route(question)},
                         ensure_ascii=False))

ls
python routing.py

输出：

{"question": "退款期限是多少", "route": "policy_search"}
{"question": "订单123在哪里", "route": "order_lookup"}
{"question": "订单退款", "route": "clarify"}
{"question": "你好", "route": "clarify"}

两个布尔变量分别检查“退款”和“订单”是否出现。只有退款进入政策，只有订单进入订单系统，两个都出现或都未出现就进入澄清。

clarify 表示下一步先向用户确认，例如“你想了解退款期限，还是查询这笔订单的退款进度？”用户补充后，再路由一次。这一步减少了拿不完整信息直接选择工具的情况。

3. 换一种说法，看看规则覆盖到哪里

把“退款期限是多少”换成“几天内可以退钱”，会得到 clarify，因为当前规则只匹配“退款”。可以把判断扩展为：

wants_policy = any(word in question for word in ("退款", "退钱"))

保存后运行 python routing.py，第一行变为政策查询。接着把第一条输入改为“这笔订单为什么不能退钱”并重跑，会同时匹配两类，仍进入澄清。观察后恢复原关键词判断与四条问题，再运行核对原结果。先理解这种歧义，再考虑把一个问题拆成两个查询。

4. 用测试保存判断规则

在同目录创建 test_routing.py：

下面的测试检查退款、订单与混合问题分别进入哪个处理入口。

"""检查routing示例的正常路径和边界结果。"""
import unittest
from routing import route
class Tests(unittest.TestCase):
    def test_known(self):
        self.assertEqual(route("退款期限是多少"),"policy_search")
        self.assertEqual(route("订单123在哪里"),"order_lookup")
    def test_unknown(self): self.assertEqual(route("你好"),"clarify")
    def test_ambiguous(self): self.assertEqual(route("订单退款"),"clarify")

if __name__ == "__main__":
    unittest.main()

python -m unittest test_routing -v

正常路径与改动后的边界都在测试中检查。若结果不同，先定位失败的断言，再回到对应的字段与分支。

5. 规则路由与模型路由如何选择

模型路由可返回入口与理由，但执行器仍需检查入口名称、参数格式和当前用户权限。给一个问题分到“退款”只表达主题，发出退款操作之前还要确认订单、金额与审批。

评估路由时，准备一组有人工标签的问题，分别记录正确入口、实际入口和澄清次数。把常见误分按类别整理，例如“订单退款进度”被误分成通用政策，就可以调整规则或补充分类样本。

确定性分支适合步骤和条件已经明确的流程，也便于做回归测试。动态选择适合下一步要依赖未知观察的任务。两者可以组合：先由稳定入口分流，再在允许的范围内逐步查询。Anthropic 的工作流模式提供了路由与其他编排模式的对照。

一个问题走进处理器之前发生了什么

两个布尔值组成四种组合。当前规则先检查只有退款，再检查只有订单，其他情况进入澄清。这个小表就是完整的判断空间，可以直接变成测试用例。

从路由到工具调用还要多一步参数提取。例如order_lookup需要订单编号，用户只说“我的订单在哪”时，入口明确但编号仍缺失，处理器先询问编号。政策查询可能只需主题，所以不同处理器各自定义输入Schema。

模型分类适合复杂表达，但也可以先保留确定性规则处理结构化输入。记录每次分流的输入类型、入口和最终处理结果，能找出“路由正确但参数缺失”和“入口选错”两类不同的问题。

回顾与下一步

先识别意图，再选择入口，处理器完成工作，歧义保留澄清分支。下一篇 人工核对处理风险较高或信息不足的动作。