> ## Documentation Index
> Fetch the complete documentation index at: https://cndoc-langchain.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 路由器

在**路由器**架构中，路由步骤会对输入进行分类，并将其定向到专门的[代理](/oss/python/langchain/agents)。当您拥有不同的**垂直领域**（每个领域都需要自己的代理的独立知识域）时，这非常有用。

```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
graph LR
    A([查询]) --> B[路由器]
    B --> C[代理 A]
    B --> D[代理 B]
    B --> E[代理 C]
    C --> F[综合]
    D --> F
    E --> F
    F --> G([组合答案])

    classDef trigger fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
    classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:2px,color:#030710

    class A,G trigger
    class B,C,D,E,F process
```

## 主要特点

* 路由器分解查询
* 并行调用零个或多个专门代理
* 将结果综合成连贯的响应

## 何时使用

当您拥有不同的垂直领域（每个领域都需要自己的代理的独立知识域），需要并行查询多个来源，并希望将结果综合成组合响应时，请使用路由器模式。

## 基本实现

路由器对查询进行分类，并将其定向到适当的代理。对于单代理路由使用 [`Command`](/oss/python/langgraph/graph-api#command)，对于并行扇出到多个代理使用 [`Send`](/oss/python/langgraph/graph-api#send)。

<Tabs>
  <Tab title="单代理">
    使用 `Command` 路由到单个专门代理：

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from langgraph.types import Command

    def classify_query(query: str) -> str:
        """使用 LLM 对查询进行分类并确定适当的代理。"""
        # 此处为分类逻辑
        ...

    def route_query(state: State) -> Command:
        """根据查询分类路由到适当的代理。"""
        active_agent = classify_query(state["query"])

        # 路由到选定的代理
        return Command(goto=active_agent)
    ```
  </Tab>

  <Tab title="多代理（并行）">
    使用 `Send` 并行扇出到多个专门代理：

    ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
    from typing import TypedDict
    from langgraph.types import Send

    class ClassificationResult(TypedDict):
        query: str
        agent: str

    def classify_query(query: str) -> list[ClassificationResult]:
        """使用 LLM 对查询进行分类并确定要调用的代理。"""
        # 此处为分类逻辑
        ...

    def route_query(state: State):
        """根据查询分类路由到相关代理。"""
        classifications = classify_query(state["query"])

        # 并行扇出到选定的代理
        return [
            Send(c["agent"], {"query": c["query"]})
            for c in classifications
        ]
    ```
  </Tab>
</Tabs>

完整实现请参阅下方教程。

<Card title="教程：构建带路由的多源知识库" icon="book" href="/oss/python/langchain/multi-agent/router-knowledge-base">
  构建一个路由器，并行查询 GitHub、Notion 和 Slack，然后将结果综合成连贯的答案。涵盖状态定义、专门代理、使用 `Send` 的并行执行以及结果综合。
</Card>

## 无状态与有状态

两种方法：

* [**无状态路由器**](#stateless) 独立处理每个请求
* [**有状态路由器**](#stateful) 在请求间维护对话历史

## 无状态

每个请求独立路由——调用之间没有记忆。对于多轮对话，请参阅[有状态路由器](#stateful)。

<Tip>
  **路由器与子代理**：两种模式都可以将工作分派给多个代理，但它们在路由决策的制定方式上有所不同：

  * **路由器**：一个专门的路由步骤（通常是一次 LLM 调用或基于规则的逻辑），用于对输入进行分类并分派给代理。路由器本身通常不维护对话历史或执行多轮编排——它是一个预处理步骤。
  * **子代理**：一个主监督代理在持续对话中动态决定调用哪些[子代理](/oss/python/langchain/multi-agent/subagents)。主代理维护上下文，可以在多个轮次中调用多个子代理，并编排复杂的多步骤工作流。

  当您有明确的输入类别并希望进行确定性或轻量级分类时，请使用**路由器**。当您需要灵活的、对话感知的编排，其中 LLM 根据不断变化的上下文决定下一步做什么时，请使用**监督器**。
</Tip>

## 有状态

对于多轮对话，您需要在调用间维护上下文。

### 工具包装器

最简单的方法：将无状态路由器包装为一个对话代理可以调用的工具。对话代理处理记忆和上下文；路由器保持无状态。这避免了在多个并行代理间管理对话历史的复杂性。

```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
@tool
def search_docs(query: str) -> str:
    """跨多个文档源进行搜索。"""
    result = workflow.invoke({"query": query})  # [!code highlight]
    return result["final_answer"]

# 对话代理将路由器用作工具
conversational_agent = create_agent(
    model,
    tools=[search_docs],
    prompt="You are a helpful assistant. Use search_docs to answer questions."
)
```

### 完全持久化

如果您需要路由器本身维护状态，请使用[持久化](/oss/python/langchain/short-term-memory)来存储消息历史。当路由到代理时，从状态中获取之前的消息，并有选择地将它们包含在代理的上下文中——这是[上下文工程](/oss/python/langchain/context-engineering)的一个杠杆。

<Warning>
  **有状态路由器需要自定义历史记录管理。** 如果路由器在轮次间切换代理，当代理具有不同的语气或提示时，对话对最终用户来说可能感觉不流畅。使用并行调用时，您需要在路由器级别维护历史记录（输入和综合输出），并在路由逻辑中利用此历史记录。请考虑使用[交接模式](/oss/python/langchain/multi-agent/handoffs)或[子代理模式](/oss/python/langchain/multi-agent/subagents)——两者都为多轮对话提供了更清晰的语义。
</Warning>

***

<div className="source-links">
  <Callout icon="terminal-2">
    [将这些文档连接](/use-these-docs)到 Claude、VSCode 等，通过 MCP 获取实时答案。
  </Callout>

  <Callout icon="edit">
    [在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/langchain/multi-agent/router.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。
  </Callout>
</div>