Agent Squad 是什么？7.8K 星的 AWS 多 Agent 路由框架，一半人生已离开 AWS（基础篇）
导语：2024 年 8 月，AWS Labs 往 GitHub 丢了一个叫
multi-agent-orchestrator的仓库，定位就一句话：把用户的一句话，路由给最合适的那个专用 Agent。两年后它改名叫 Agent Squad，星数涨到约 7.8K，PyPI 月下载 4377 次。但真正的故事在仓库地址上——它已经不在 awslabs 名下，被搬到了2FastLabs/agent-squad，两位作者是 Corneliu Croitoru 和 Anthony Bernabeu。这篇把它到底怎么路由、凭什么是这个思路、以及”出 AWS”这件事意味着什么，一次讲透。
一句话定位：只做路由的多 Agent 编排器
多 Agent 框架这两年卷疯了。你去看CrewAI（约 59K 星）给你角色扮演，AutoGen（约 61K 星）让 Agent 互相开会，LangChain（约 147K 星）给你一整套工具箱。Agent Squad 反着来：它只解决一个问题——用户这句话，该交给谁？
- 不管 Agent 内部怎么循环思考（那是 LangGraph、CrewAI 的活）；
- 不管你上什么模型（Bedrock、OpenAI、Anthropic 都行，甚至还有走决策模型不烧 token 的 JevClassifier）；
- 不管你部署在哪（Python 3.11+、Node.js、以及全新的 Swift 端侧运行时）。
它的野心就一句话：把”路由”这一层做薄、做准，然后把剩下的都还给你。
一次请求到底走了哪些路
我把代码翻了一遍（Python 运行时，route_request 在 python/src/agent_squad/orchestrator.py 第 244 行），流程比想象的朴素，但每个环节都有明确的设计取舍：
- 先读历史，再分类。
classify_request的第一件事是fetch_all_chats(user_id, session_id)，把这一轮的完整会话历史捞出来。也就是说分类器不是只看当前这句话——它带着”上文”做判断。 - 分类器吃两样东西：所有 Agent 的描述 + 完整历史。 它的默认提示词叫 AgentMatcher，明确写着”用户输入可能是上一轮的追问”。像”好的”、”1″、”我想了解更多”这种短回答，提示词里直接要求回到上一个 Agent。
- 选中才继续。
agent_process_request里第一句判断就是if classifier_result.selected_agent，没选中的话，要么退回default_agent，要么只回一句”请说得更具体些”，绝不会瞎猜一个 Agent 上场。 - 写回受开关控制。
save_message里有if agent and agent.save_chat——你可以让某些 Agent 完全不落历史。 - 回复完成后回写存储。 流式和非流式两条路径都会在拿到完整消息后写回，供下一轮分类用。
最有意思的设计：GroundedAgent
Agent Squad 内置了一批 Agent，其中 GroundedAgent 我认为是整个框架最值得抄走的一个思路。它的做法是用两个模型而不是一个：
- gatherer（收集者）：负责调工具、拿原始结果，但它永远不许直接对用户说话；
- curator（整理者）：一个纯同步的转换器，按工具把大结果压缩裁剪。源码注释写得很明确——它不做 I/O，需要外部数据就提前取好传进来；
- presenter（呈现者）：没有工具、没有工具输出、没有聊天历史，只能看着 curator 整理好的事实，把话说出来。
这么设计的后果很直接：presenter 手里根本没有幻觉的原料。它编不出一个没被查到的价格、评分或库存状态。价格、赔率、余额、库存这类答案必须和数据完全一致的场景，这套是硬保险。
另外还有 SupervisorAgent，用 “agent-as-tools” 的方式让一个组长 Agent 并行调度一队子 Agent，还能自己注册进分类器里，搭出”队中之队”的层级。
上手：三行代码和一个坑
Python 装起来很简单，可选依赖按厂商拆包：
pip install "agent-squad[all]"
from agent_squad.orchestrator import AgentSquad
from agent_squad.agents import BedrockLLMAgent, BedrockLLMAgentOptions
orchestrator = AgentSquad()
orchestrator.add_agent(BedrockLLMAgent(BedrockLLMAgentOptions(
name="Tech Agent",
description="擅长技术、软件、硬件、AI、网络安全、云。",
streaming=True
)))
resp = await orchestrator.route_request("AWS Lambda 是什么？", "user123", "session456")
print(resp.output.content)
TypeScript 那边是 npm install agent-squad，API 结构几乎一一对应。坑有三个，都得提前知道：
第一，它不是免费的路由。默认分类器是一次完整的 LLM 调用，QPS 一上来账单就跟着涨。想省钱可以换 JevClassifier——走 TypeSafe AI 的 System One 决策模型，只算输入 token、亚秒级返回，还带一个 unknown 选项让超出范围的请求干脆不匹配。仓库里自带了 Jev 和 Bedrock 的延迟/成本对照 demo。
第二，准确率是提示词工程的活。Agent 描述写得好不好，直接决定分类准不准——描述全在提示词里当路由依据，写模糊了模型就分不清。八个版本的迭代历史里，这类调整最频繁。
第三，它真的从 awslabs 搬走了。clone URL、依赖名、issue 讨论区全都变了。如果你按老文章抄 awslabs/multi-agent-orchestrator，只能拿到一个跳转壳。好消息是包名和 npm/PyPI 发布名没变，升级不炸；许可证也从早期的宽松条款收紧成了 Apache 2.0。
说实话：这事到底该怎么定位
先夸，因为它做对了几件事：Apache 2.0、真·三语言运行时（Python / TS / Swift 且保持特性对齐）、每个运行时都自带一份 SKILL.md 让 AI 助手能照着写对代码、连 PR 都强制要求先开 issue。这些都说明维护者是认真在做事，不是甩个仓库就跑。
但也得把话说清楚：
- 7.8K 星放在 2026 年不算头部。 同期 CrewAI 59K、AutoGen 61K、LangChain 147K。它是细分赛道里的好工具，不是生态入口。
- “AWS 出走”这件事本身不负面，说明项目有了独立生命。但反过来说，它也不再是”AWS 官方出品”这个背书了——你不能拿它当进 AWS 生态的门票，README 里那些 Bedrock、Lex、Connect、Bedrock Flows 的最佳实践仍然是 AWS 视角的产物。
- 路由层的天花板在分类器上。 框架把分类做薄了，代价是它对”这个任务到底该拆成几个 Agent、Agent 之间要不要协作”这类问题完全不回答。SupervisorAgent 算是个补位，但那已经是另一个范式了。想要完整的编排能力，你还是得回到 LangGraph 或 CrewAI。
- 下载量偏小：PyPI 月下载约 4377 次，npm 周下载约 332 次（核实于 2026 年 10 月）。这不是”人手一篇的生产方案”，是”专精路由的那一类小而美的工具”。
结论：如果你手里有一堆专精 Agent，需要一个轻量、不绑架、能把请求准确路由过去的中间层——它很合适，值得试。如果你需要的是完整的 Agent 编排能力，它帮不了你。
一句话总结
Agent Squad 是”大而全”浪潮里的反向答案：7.8K 星、Apache 2.0、三个运行时，只干路由这一件事，还顺手把”怎么用两个模型堵死幻觉”这个模式送给了你。它从 awslabs 搬出去这件事，说明 AWS 放手的项目反而活得更像个独立产品。至于要不要上车——先看看你缺的是路由，还是编排。
参考：GitHub 2FastLabs/agent-squad（约 7.8K 星、740 fork、Apache 2.0，原 awslabs/agent-squad，数据核实于 2026 年 10 月 4 日）；PyPI agent-squad 1.1.4（月下载 4377、要求 Python≥3.11）；npm agent-squad 1.1.5（周下载 332）；源码核实于 commit 729d5f52869c8280f599a9fa5cf27fc1df445602。
by 数码罗记·godsun.pro
