模型路由动态地将提示词引导至合适的 AI 模型，以优化性能与成本。当前的静态路由方法受限于信息缺失，无法从执行结果中学习。Agent-as-a-Router 是一种新框架，将路由视为一个动态的、具备记忆构建能力的智能体，采用“上下文 - 行动 - 反馈”（Context-Action-Feedback）循环。该循环追踪模型的成功与失败，持续更新路由器的行为。ACRouter 是一种实用实现，显著优于静态路由器及昂贵的默认策略。它能够适应用户行为和基础模型的变化，而无需进行大规模模型训练或复杂规则配置。静态路由器之所以失效，是因为缺乏执行反馈、无法适应新数据，并随模型更新而过时。Agent-as-a-Router 通过在部署过程中积累基于执行的反馈信息来克服这一局限。C-A-F 循环使路由器能够从过往交互中学习，并改进未来的路由决策。ACRouter 利用记忆、编排和验证模块，并由工具层支持现实世界的执行反馈。基准测试表明，ACRouter 在多样化任务中实现了高准确率与成本节约，包括复杂的分布外场景。该框架最适合可验证的任务，以及不同模型在特定细分领域各具优势的领域。