लेख में Harness-Native एजेंटिक रूटिंग का प्रस्ताव है, जो एक स्तर-स्तरीय (step-level) पराडिगम है जो मॉडल को संपूर्न एक्जीक्यूशन हार्नेस स्टेट के आधार पर चुनता है, न कि सिंगल-टर्न लागत-गुणवत्ता ट्रेड-ऑफ्स को अनुकूलित करके। यह दृष्टिकोण हर रूटिंग निर्णय को एक संरचित डेटा रिकॉर्ड के रूप में मानता है ताकि एक Harness-Native डेटा फ्लाईव्हील बनाया जा सके, जहाँ एक्जीक्यूशन ट्रेस बेहतर रूटर्स और मॉडल्स को प्रशिक्षित करते हैं।
- सिस्टम को OpenSquilla में चार-परत रूटिंग स्टैक, एक ओपन LightGBM cold-start ranker, और एक staged router-model path का उपयोग करके instantiated किया गया है।
- यह लागत-प्रभावी एक्जीक्यूशन के लिए एकल best-fit मॉडल या ensemble-style सटीकता सुधार के लिए कई complementary मॉडल्स की चयन को सक्षम बनाता है।
- रिपोर्ट ने DRACO और PinchBench सहित एजेंटिक बेंचमार्क्स पर singleton और multi-model रूटिंग का मूल्यांकन किया है।
लेखकों का तर्क है कि एजेंटिक रूटिंग एजेंट-नेटिव ट्रेनिंग के लिए एक डेटा इंजन के रूप में कार्य करता है, समान बजट के तहत अधिक ट्रेस जनरेट करके लागत-गुणवत्ता ट्रेड-ऑफ्स को बेहतर बनाता है।