文章系统阐述了 AI 产品中 router（路由）的设计方法。Router 是产品调度台，决定用户请求进入哪个能力模块、走什么流程、承担什么成本。作者强调意图边界应由产品能力而非用户 query 归纳决定，建议采用'两级意图 + 槽位'的分层结构。在实现上，推荐规则、小模型、大模型三层配合：规则处理确定性请求，小模型处理高频语义分类，大模型处理复杂混合意图。此外，文章讨论了路由迭代的关键指标（准确率、任务成功率、fallback 率、人工改派率等）以及 token、延时与准确率之间的平衡策略，如精简 prompt、结构化输出、安全前置和结果缓存。
本文介绍 Replit AI 团队关于 agent harness 设计的实证文章：与其让较弱的 router 替强模型选择 LLM，不如解放模型自己决定 effort 档位、何时委派任务以及交给谁。Replit Agent 通过四个可组合委派原语（领域感知子 agent、档位与 effort、可复用子 agent、动态 effort 调整）实现这一目标。生产数据显示，GPT-6 Astra 是首个无需吩咐就例行把实现交给通用 worker 的模型，回访已有子 agent 的比例达 42%。基准测试中 Replit Agent 在 DeepSWE 和 Terminal-Bench 上均优于 sidekick 架构 11~16 个点，且具备成本-质量帕累托有效性。作者将其解读为 Sutton「苦涩的教训」的实例：模型越强，harness 越应少做决定。
