O artigo propõe o roteamento agêntico nativo de Harness, um paradigma em nível de etapa que seleciona modelos com base no estado completo do ambiente de execução (execution harness) em vez de otimizar as compensações de custo-qualidade de uma única interação. Esta abordagem trata cada decisão de roteamento como um registro de dados estruturado para formar um ciclo de dados nativo de Harness, onde os rastros de execução treinam roteadores e modelos melhores.
- O sistema é instanciado no OpenSquilla usando uma pilha de roteamento de quatro camadas, um classificador LightGBM de inicialização a frio aberto e um caminho roteador-modelo em estágios.
- Ele permite a seleção de um único modelo melhor ajustado para execução econômica ou múltiplos modelos complementares para melhoria de precisão no estilo de ensemble.
- O relatório avalia o roteamento de modelo único e multi-modelo em benchmarks agênticos incluindo DRACO e PinchBench.
Os autores argumentam que o roteamento agêntico serve como um motor de dados para treinamento nativo de agentes, melhorando as compensações de custo-qualidade ao gerar mais rastros sob o mesmo orçamento.