본 기사는 Harness-Native agentic routing을 제안합니다. 이는 단일 턴의 비용-품질 트레이드오프를 최적화하는 대신 전체 실행 하네스 상태를 기반으로 모델을 선택하는 단계별 패러다임입니다. 이 접근 방식은 모든 라우팅 결정을 구조화된 데이터 레코드로 처리하여, 실행 추적이 더 나은 라우터와 모델을 학습하도록 하는 harness-native 데이터 플라이휠을 형성합니다.
- 시스템은 OpenSquilla에서 4층 라우팅 스택, 오픈 LightGBM 콜드 스타트 랭커 및 단계별 라우터-모델 경로를 사용하여 구현됩니다.
- 비용 효율적인 실행을 위해 단일 최적 적합 모델을 선택하거나, 앙상블 방식의 정확도 향상을 위해 여러 보완적 모델을 선택할 수 있습니다.
- 보고서는 DRACO와 PinchBench와 같은 에이전트 벤치마크에서 싱글톤 및 다중 모델 라우팅을 평가합니다.
저자들은 에이전트 라우팅이 에이전트 네이티브 훈련을 위한 데이터 엔진으로 작용하며, 동일한 예산 내에서 더 많은 추적을 생성함으로써 비용-품질 트레이드오프를 개선한다고 주장합니다.