Files

T

tzt ce0f6170d3 chore: T-P-1 工作区收敛——并行会话成果与历史未入库文件整理入库

- 入库历史遗漏源码/测试：router_system 9 模块（agent/executors/inference/knowledge/
  memory/planner/skills/trace）、tests 11 个测试文件、config/knowledge 领域知识
- 入库根目录方案文档（v2/v3/可行性×2）、references 文献（arxiv 14-18/cnki_open/
  参考文献清单）、research 论文素材（routerarena/paper/中文文献 PDF）
- 前端构建产物刷新（新 hash）；webapp 误写文档删除
- gitignore 增补：deepseek-harness、research/_refs、.mimosa/.zcode、网关日志/pid、
  临时调试脚本、tests/e2e/node_modules、AI代理功能开发/prefix
- 基线确认：318 passed

2026-09-05 08:28:25 +08:00

6.2 KiB

Raw Blame History

RouterArena 接入方案（方案 v0.1）

撰写日期：2026-08-19 依据：RouterArena README + base_router.py + generate_prediction_file.py + llm_evaluation/run.py（GitHub @ RouteWorks/RouterArena，2026-08-19 拉取）状态：方案已固化，开始 Step 3 实现

1. 目标

把本系统的 L0 专家系统路由器接入 RouterArena 标准化评测，得到可与排行榜 27 个公开路由器直接对比的 Arena Score、Accuracy、Cost/1K、Latency、Robustness 5 维指标。

承接 research/2026_papers_survey.md 第三节第 1 条建议："本项目下一步应优先做三件事"中的第一件。

2. 关键证据（来自 RouterArena 源码）

事实	来源	对本方案的影响
评测仅看 prompt + global_index，不接触 ground truth answer	README L34-37, generate_prediction_file.py L84-115	路由阶段只做"选模型"，避免与训练阶段耦合 → 合规
接口 `_get_prediction(self, query) -> str` 返回的必须是 `config["pipeline_params"]["models"]` 中的名字	base_router.py L139-167	必须把我们 L0 的"选规则模板"重映射为"选目标 LLM"
候选模型必须出现在 `universal_model_names.py` 与 `model_cost/model_cost.json`	README L102-107	候选模型要选排行榜主流、有公开价格、API 可达
sub_10 子集 809 条，full 8400 条	generate_prediction_file.py L88-92	先 sub_10 烟测，再考虑 full
Arena 公式 β=0.1, c_max=200, c_min=0.0044	run.py L65-87	极低成本的路由器（$0.001/1K 量级）天然占优
评测完整流程 = 路由 + 推理（API 调用）+ 评分	README L100-130	推理阶段需要真实 API key 与钱

3. 适配方案（设计决策）

3.1 候选模型池（5 个，论文调研中"低成本代表"）

槽位	模型	选它的理由	预期价格（$ / 1K queries，按公开定价）
`code-strong`	`gpt-4o-mini`	排行榜出现频次最高，代码能力强	0.15-0.6 / 1M tok → ~$0.04-0.15/1K
`reasoning-strong`	`claude-3-haiku-20240307`	通用推理/法律/医疗	$0.25/1M input → ~$0.05/1K
`generalist-fast`	`gemini-2.0-flash-001`	通用快速，覆盖 life/education	$0.075/1M → ~$0.02/1K
`multilingual-cn`	`deepseek-chat`	中文/教育/通用	$0.14/1M → ~$0.03/1K
`reasoning-mid`	`mistral-medium`	备用 / 难样本兜底	$2.7/1M → ~$0.5/1K

注：精确价格需按 model_cost/model_cost.json 与 universal_model_names.py 校验。预期区间与排行榜 Hybrid Router $0.04/1K、GPT-5 $10.02/1K 同量级。

3.2 L0 域 → 模型槽位映射表（核心决策）

基于本系统 8 领域 × LLM 擅长：

L0 域	子域样本	选	理由
`code`	algorithm, debugging, database	`code-strong` (gpt-4o-mini)	编程类基准 SOTA（LiveCodeBench/Codeforces）
`math`	algebra, geometry, calculus	`reasoning-strong` (claude-3-haiku)	数学推理强项
`legal`	labor, contract	`reasoning-strong` (claude-3-haiku)	法律长文本/严谨性
`medical`	chronic, medication, firstaid	`reasoning-strong` (claude-3-haiku)	医疗警示/准确性优先
`finance`	investing, credit, loan	`reasoning-strong` (claude-3-haiku)	数字严谨/风险提示
`life`	travel, fitness, food	`generalist-fast` (gemini-2.0-flash)	实用建议快速返回
`education`	exam, study, career	`multilingual-cn` (deepseek-chat)	中文/教育/应试
`general`	explain, writing	`generalist-fast` (gemini-2.0-flash)	通用兜底成本最低

兜底规则：当 confidence < 0.60 或 quality_score < 0.70（与 L0 Judge 阈值一致），升一级到 reasoning-mid (mistral-medium)。

3.3 实现三件套

文件	角色	依赖
`research/routerarena/adapter.py`	`BaseRouter` 子类，调用本系统 L0 router	仅零依赖
`research/routerarena/config/es-expert.json`	候选模型池 + 类名配置	无
`scripts/routerarena_generate.py`	复用 RouterArena 的 `generate_prediction_file.py` 入口	需要把 adapter 注册进 RouterArena 路由器模块

3.4 验证策略（分阶段）

烟测（无 API 成本）：跑 sub_10 生成预测文件，验证 809 条记录格式合规、模型名映射一致
Mock 推理 + 评分方法学验证：把 generated_result 填充为 mock 但带 token_usage，验证 Arena 公式可跑通
真子集（消耗 API）：sub_10 上跑 5-10 条做端到端烟测，验证 API key 路径
全量评测（消耗 API）：full 8400 条，需预算 ~$1-5（按 5 模型轮询成本估算）

3.5 风险与缺口

风险	影响	缓解
没有 API key	完整评测跑不通	先做烟测 + 方法学验证；提交方案文档说明 gap
RouterArena 用 8 领域，本系统 8 领域但标签不一一对应	路由决策可比性下降	文档里写清映射表 + 不能直接比的子域
L0 路由是基于关键词规则的，可能对 RouterArena 长 prompt 命中率下降	准确率会低于 100%	这是预期：自建 24 样例 100% 不代表 809 条也是，要看真实分布
模型价格/能力随时间变化	排行榜基线会漂移	报告里标注"基于 2026-07 快照"，未来要重测

4. 不做的事（明确边界）

不在 RouterArena 标签上训练/微调（合规要求）
不修改本系统核心 router（只新增 adapter 适配层）
不在第一阶段做 full 评测（成本/时间/资源限制，先 sub_10 验证方法学）
不立即对接 RouterArena PR 提交（先有方法学验证 + gap 文档）

5. 验收标准

research/routerarena/adapter.py 实现完整，可独立 import
在 sub_10 上生成 809 条预测，文件格式通过 check_config_prediction_files.py 校验
mock 推理跑通 Arena 公式，得到本系统的 Arena Score 数字
写完 01_results_sub10.md 报告，含与排行榜 5 个基线（Hybrid Router / R2-Router / GPT-5 / MIRT-BERT / NotDiamond）的对比表
不引入新依赖到 requirements.txt（仅 Python 标准库 + 已有 deps）

6.2 KiB Raw Blame History Unescape Escape