🔀 语义路由 Semantic Routing

语义路由到底是个啥？

在AI Agent的世界里，语义路由（Semantic Routing）就是根据用户输入的语义内容，把请求精准派发给最合适的Agent或工具。

注意关键词：语义。不是关键词匹配，不是正则表达式，不是"你说'天气'我就调天气API"。它理解的是意思。

这就是语义路由的精髓——它听得懂人话。或者说，它假装听得懂人话。实际上它只是用一个 embedding 模型把你的话变成一串数字，然后和各个 Agent 的"能力描述"做相似度计算。但效果上，确实像听懂了人话。

没有语义路由会怎样？

那画面太美，我不敢看。

场景1：轮流坐庄法

你有5个Agent，用户每个请求都按顺序给每个Agent试一遍：

# 没有 路由的灾难现场
用户: "帮我查一下明天北京的天气"

Agent-HR: "我只会招人，天气这事你问我？"
Agent-PR: "要不我给你写个'下雨天适合看的10部文艺片'推文？"
Agent-知识管家: "北京年均降水585mm，你问的是这个吗？"
Agent-妙趣AI: "我正在帮你查……哦等等，这不是我的活。"
Agent-特别助理: "我把你的需求转发给了天气API……不对，那个API我没权限。"

5个Agent排队试了一遍，最后没人处理。用户等了15秒，收到了5句废话。Token烧了5000个，事情一件没办。

场景2：关键词匹配法

你说"代码"，路由到编程Agent。但你其实是想说"二维码怎么扫不开"。

你说"设计"，路由到设计Agent。但你其实是想说"他的设计方案一团糟"（是在吐槽，不是要设计）。

关键词匹配就像用菜刀切牛排——能切，但你会怀疑人生。

语义路由怎么工作？

# 最简语义路由（伪代码）
from sentence_transformers import SentenceTransformer

model = SentenceTransformer('all-MiniLM-L6-v2')
query_vec = model.encode("帮我把这个PDF翻译成日语")

agents = {
    "HR": model.encode("负责招聘面试简历管理"),
    "翻译": model.encode("负责多语言翻译本地化"),
    "妙趣AI": model.encode("负责内容创作营销运营"),
}

best_agent = max(agents, key=lambda k: cosine_sim(query_vec, agents[k]))
# 输出: "翻译" ✅

当然，生产环境的语义路由比这复杂100倍。它要处理：

• 意图模糊的情况——「你帮我看看这个」到底看什么？
• 多意图的情况——「翻译这个PDF然后发邮件」涉及翻译+邮件两个Agent
• 兜底策略——没有任何Agent匹配时怎么办
• 上下文继承——用户已经说了三句话，路由器需要结合完整对话历史

三种主流路由策略

OpenClaw实战：Skills自动路由

说了这么多理论，来点实际的。在 OpenClaw 中，语义路由是Skills系统的核心能力。

场景：妙趣AI团队的Skills路由

老板的妙趣AI团队有5个Agent，每个Agent有一堆Skills。当一个用户请求进来时，OpenClaw怎么决定该激活哪个Skill？

# OpenClaw SOUL.md 中的 Skills 描述示例（妙趣AI）
## Skills
- content-glossary-funny: "为妙趣AI网站创作妙趣风格的术语解释页面"
- daily-news-report: "生成AI行业新闻日报"
- discord-community: "Discord社区日常运营和消息发送"
- seo-batch-generation: "批量生成SEO工具详情页"

## 路由规则
当用户说"写个术语解释" → content-glossary-funny
当用户说"今日AI新闻" → daily-news-report
当用户说"发个Discord消息" → discord-community
当用户说"批量生成工具页" → seo-batch-generation

OpenClaw的路由机制是这样的：

实战代码：模拟OpenClaw路由逻辑

# 模拟 OpenClaw 的 Skill 路由逻辑
class SemanticRouter:
    def __init__(self):
        self.skills = {
            "content-glossary-funny": 
                "Feishu document read/write operations. Activate when user mentions Feishu docs.",
            "daily-news-report": 
                "Generate AI news daily report webpage for the website.",
            "discord-community": 
                "Discord community operations, send messages, daily sharing.",
            "seo-batch-generation": 
                "Batch generate SEO tool detail pages for the website.",
        }

    def route(self, user_request: str) -> str:
        # Step 1: 编码用户请求
        query_vec = self.encode(user_request)
        
        # Step 2: 和每个Skill的描述计算相似度
        scores = {}
        for skill_name, description in self.skills.items():
            desc_vec = self.encode(description)
            scores[skill_name] = cosine_similarity(query_vec, desc_vec)
        
        # Step 3: 选最高分
        best = max(scores, key=scores.get)
        
        if scores[best] < 0.3:  # 兜底阈值
            return "no-match"  # 没有匹配的Skill
        
        return best

# 实际效果
router = SemanticRouter()
router.route("帮我写一个RAG术语解释页面")
# → "content-glossary-funny" ✅

router.route("今天有什么AI新闻")
# → "daily-news-report" ✅

router.route("我想要一个红烧肉的食谱")
# → "no-match" ✅ （妙趣AI不做饭）

踩坑实录

💀 坑1：描述写得太宽泛，谁都匹配

某个Agent的描述写的是"处理各种任务"。结果所有请求都被路由到它。这不叫路由，这叫黑洞。

解法：Skill描述要具体到场景。不要写"处理文档"，要写"当用户提到飞书文档、docx链接、文档读写时激活"。

💀 坑2：两个Agent描述太像，互相抢活

「翻译Agent」描述："翻译各种语言"
「本地化Agent」描述："处理多语言内容"

相似度0.95和0.93，路由器自己都懵了。最后出现的情况是：同一个请求有时给翻译Agent，有时给本地化Agent，用户疯掉。

解法：给Skills描述加上排他性关键词。"翻译Agent：处理文本翻译，不涉及UI/界面"。明确边界，别让两个Agent"撞衫"。

💀 坑3：用户一句话包含多个意图

「帮我查一下明天天气，然后写一个下雨天的营销文案」

语义路由：这到底是天气Agent的活还是营销Agent的活？还是两个都要？

解法：对于多意图场景，需要链式路由或并行路由。OpenClaw中可以通过主Agent先拆解意图，再分别调用不同的SubAgent处理。参考 Subagent 是什么？

💀 坑4：中文的语义陷阱

# 中文语义路由的翻车现场
用户: "这个Agent太智障了"
路由器: 匹配到 AI-Debugging Agent（因为提到了"Agent"）

用户: "帮我看看git log"  
路由器: 匹配到 Woodworking Agent（因为"log"也有"木头"的意思？？）

解法：选一个好的中文Embedding模型。text-embedding-3-large 在中文上表现不错。不要用只训练了英文数据的模型处理中文请求——它会用英文思维理解中文，效果就像用谷歌翻译翻译火锅食谱。

一句话总结