| name | prompt-router |
| version | 1.0.0 |
| description | 基于文本匹配的快速路由引擎，为简单任务提供零 LLM 决策的快速路径。支持中英文混合输入，自动匹配技能/工具，低置信度时降级到 LLM 语义路由。 |
| triggers | 路由，快速路径，文本匹配，技能选择，自动调用 |
| keywords | router, routing, prompt, 路由，匹配，技能，快速 |
Prompt-Router 技能
🚀 基于文本匹配的快速路由引擎，为简单任务提供 零 LLM 决策 的快速路径。
核心价值
- ⚡ 极速响应 - <5ms 路由决策（vs 500ms+ LLM 推理）
- 💰 零成本 - 简单任务无需 LLM 调用
- 🛡️ 可降级 - LLM 故障时仍可工作
- 🎯 确定性 - 相同输入始终相同输出
⚡ 快速开始
1. 加载技能
from skills.prompt_router.scripts.router import PromptRouter
router = PromptRouter(
skills_dir='skills/',
confidence_threshold=0.6
)
router.load_skills()
2. 路由 Prompt
result = router.route("搜索 Python 教程")
if result.match:
print(f"匹配技能：{result.match['name']}")
print(f"置信度：{result.confidence:.2f} ({result.confidence_level})")
else:
print("未找到匹配，降级到 LLM")
3. 决策流程
if router.should_invoke_skill(result):
skill_name = result.match['name']
invoke_skill(skill_name)
else:
fallback_to_llm()
🎯 工作原理
路由流程
用户 Prompt
↓
分词处理（Tokenizer）
↓
评分匹配（Scorer）
↓
排序选择（Router）
↓
{
高置信度 (≥0.8) → 直接调用技能
中置信度 (0.6-0.8) → 建议用户确认
低置信度 (<0.6) → 降级到 LLM
}
评分算法
总分 = Σ(字段匹配分 × 权重)
字段权重：
- name: 3.0（名称匹配最重要）
- triggers: 2.5（触发词权重高）
- keywords: 2.0（关键词）
- description: 1.5（描述）
📋 配置选项
置信度阈值
| 阈值 | 默认值 | 说明 |
|---|
confidence_threshold | 0.6 | 低于此值降级到 LLM |
high_confidence_threshold | 0.8 | 高于此值直接调用 |
调整建议：
- 提高阈值 → 更准确，但更多降级到 LLM
- 降低阈值 → 更快，但可能误匹配
技能目录
router = PromptRouter()
router = PromptRouter(skills_dir='/path/to/skills')
🔍 路由示例
示例 1：天气查询
prompt = "北京今天天气怎么样"
result = router.route(prompt)
示例 2：文件读取
prompt = "读取 config.json 文件"
result = router.route(prompt)
示例 3：复杂任务
prompt = "帮我搭建一个完整的自动化工作流"
result = router.route(prompt)
📊 性能指标
| 指标 | 目标值 | 实测值 |
|---|
| 路由延迟 | <10ms | ~3ms |
| 分词速度 | <1ms | ~0.5ms |
| 评分速度 | <5ms | ~2ms |
| 内存占用 | <10MB | ~5MB |
| 启动时间 | <100ms | ~50ms |
🎯 适用场景
✅ 推荐使用
| 场景 | 示例 | 收益 |
|---|
| 简单查询 | "天气"、"搜索"、"读取" | 延迟 -80%，成本 -50% |
| 工具调用 | "打开浏览器"、"执行命令" | 确定性行为 |
| 高频操作 | 自动化脚本、语音助手 | 实时响应 |
| LLM 故障 | API 限流、网络中断 | 降级方案 |
⚠️ 不推荐
| 场景 | 原因 |
|---|
| 复杂任务规划 | 需要 LLM 语义理解 |
| 创意写作 | 需要 LLM 创造力 |
| 多步骤推理 | 需要 LLM 逻辑能力 |
| 模糊意图 | 需要 LLM 澄清 |
🔧 高级功能
1. 自定义同义词
synonyms = {
'搜索': ['查找', 'search', 'find'],
'天气': ['气温', 'weather', 'temperature'],
'读取': ['打开', '查看', 'read'],
}
tokens = tokenizer.tokenize(prompt)
expanded_tokens = set()
for token in tokens:
expanded_tokens.add(token)
if token in synonyms:
expanded_tokens.update(synonyms[token])
2. 路由日志
result = router.route(prompt)
log = {
'prompt': prompt,
'matched': result.match['name'] if result.match else None,
'score': result.score,
'confidence': result.confidence,
'level': result.confidence_level,
'invoke': router.should_invoke_skill(result),
}
3. 性能监控
import time
start = time.time()
result = router.route(prompt)
elapsed = time.time() - start
print(f"路由耗时：{elapsed*1000:.2f}ms")
📁 API 参考
PromptRouter 类
class PromptRouter:
def __init__(
self,
skills_dir: str = None,
confidence_threshold: float = 0.6,
high_confidence_threshold: float = 0.8,
)
def load_skills(self, skills_dir: str = None) -> int
def route(self, prompt: str, limit: int = 3) -> RouteResult
def should_invoke_skill(self, result: RouteResult) -> bool
def should_fallback_to_llm(self, result: RouteResult) -> bool
def get_stats(self) -> Dict
RouteResult 类
@dataclass
class RouteResult:
match: Optional[Dict]
score: float
confidence: float
confidence_level: str
all_matches: List[Dict]
🧪 测试
运行测试
cd skills/prompt-router
python -m pytest tests/
python tests/benchmark.py
测试覆盖
📝 更新日志
v1.0.0 (2026-04-05)
- ✅ 初始版本
- ✅ 核心路由引擎
- ✅ 中英文分词器
- ✅ 多字段评分算法
- ✅ 置信度阈值
- ✅ LLM 降级机制
🔗 参考文档
💡 最佳实践
1. 阈值调优
router = PromptRouter(confidence_threshold=0.6)
router.confidence_threshold = 0.7
2. 关键词优化
---
name: weather
triggers: 天气，气温，weather, 温度，forecast
keywords: 天气，气象，预报，weather, forecast
---
3. 监控与告警
stats = {
'total': 0,
'matched': 0,
'high_confidence': 0,
'fallback': 0,
}
if stats['fallback'] / stats['total'] > 0.5:
alert("路由降级率异常")
最后更新：2026-04-05 00:30
