ruflo-intelligence 智能路由实战基于三档模型选择器与学习模式的 Agent 任务编排【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读本文围绕 Ruflo 插件体系中的ruflo-intelligence的intelligence-route技能SKILL.md系统讲解如何用三档模型选择器3-Tier Model Router 历史学习模式learned patterns为任意任务自动挑选最优 Agent 与模型档位并通过hooks_explain输出可审计的路由依据。读完本文你将掌握hooks_route、hooks_model-route、hooks_intelligence_pattern-search、neural_predict、hooks_model-outcome等工具组成的完整路由闭环理解 Tier 1 确定性 codemod$0、零 LLM与 Tier 2/3 模型调度的边界并能用 MCP 工具或claude-flow/cli命令行落地同一套流程。一、智能路由解决什么问题在 Ruflo 的运行时中任务到达后往往需要人工指定「用哪个 Agent、哪个模型」这种手动选择既不透明也不经济——一个简单的var-to-const转换若被丢给 Sonnet会付出毫秒级任务数秒的延迟与数美分的成本而一个跨多文件重构若被丢给 Haiku则大概率返工。intelligence-route技能将这一决策数据化用学习到的历史模式 三档模型路由器替代人工选择。其技能前置声明frontmatter明确给出能力边界name: intelligence-route description: Route tasks via the 3-tier model selector and learned patterns; emits a routing rationale via hooks_explain argument-hint: task-description [--why] allowed-tools: mcp__plugin_ruflo-core_ruflo__hooks_route mcp__plugin_ruflo-core_ruflo__hooks_explain mcp__plugin_ruflo-core_ruflo__hooks_model-route mcp__plugin_ruflo-core_ruflo__hooks_model-stats mcp__plugin_ruflo-core_ruflo__hooks_model-outcome mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-search mcp__plugin_ruflo-core_ruflo__hooks_intelligence_attention mcp__plugin_ruflo-core_ruflo__hooks_intelligence_stats mcp__plugin_ruflo-core_ruflo__neural_predict mcp__plugin_ruflo-core_ruflo__hooks_pre-task Bash技能接受一个任务描述可选传入--why以要求输出路由解释。它的适用时机是任何非平凡任务开始之前——替换掉手工选 Agent 的旧流程。该技能是 Ruflo 自学习系统self-learning system的用户面入口之一。ruflo-intelligence插件将 29 个智能相关 MCP 工具组织为可发现的技能、命令与标准 4 步流水线RETRIEVE → JUDGE → DISTILL → CONSOLIDATE与ruflo-agentdb命名空间约定、ruflo-ruvector轨迹记录基底、ruflo-browser会话回放协同工作详见 ruflo-intelligence/README.md。intelligence-route正是该流水线中JUDGE评判阶段的落地形态。二、路由七步流程从推荐到闭环训练intelligence-route的核心是可重复执行的七步操作序列每一步都对应一个具体的 MCP 工具获取 Agent 推荐— 调用mcp__plugin_ruflo-core_ruflo__hooks_route传入任务描述。返回{ recommended, confidence, reasoning }推荐 Agent、置信度、推理依据。获取模型档位推荐— 调用mcp__plugin_ruflo-core_ruflo__hooks_model-route在 Haiku/Sonnet/Opus 三者间做选择。检索历史相似模式— 调用mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-search寻找过往成功案例命中即为 RETRIEVE 阶段的输入。预测任务结局— 调用mcp__plugin_ruflo-core_ruflo__neural_predict对任务描述给出带置信度的成败预测作为 JUDGE 阶段的路由信号。按推荐档位派生 Agent— 以第 1、2 步的结果启动推荐 Agent。可选输出路由依据— 若调用时传了--why则调用mcp__plugin_ruflo-core_ruflo__hooks_explain把「为什么选这个 Agent、这个模型」的完整理由交给用户保证决策可审计。任务完成后回灌结果— 调用mcp__plugin_ruflo-core_ruflo__hooks_model-outcome携带success: true|false让路由器从结果中学习。这七步构成了一个完整的路由闭环推荐 → 执行 → 解释 → 反馈训练。第 7 步尤其关键——见下文「闭环训练」。三、三档模型路由延迟、成本与适用场景路由器的核心决策模型是三档选择3-Tier Model Routingintelligence-route技能用一张表把它讲透档位处理器延迟成本适用场景1确定性 codemodTypeScript 编译器~1ms$0无需 LLM 的结构性变换var-to-const、remove-console、add-logging2Haiku~500ms~$0.0002低复杂度30%、Bug 修复、快速补丁3Sonnet/Opus2–5s$0.003–$0.015复杂推理、架构设计、安全审计、多文件重构三档设计的目标是避免把简单变换丢给昂贵模型——正如hooks_route工具的底层描述所言原生工具没有等价物Claude Code 本身不会内省自己的模型选择成本见 hooks-tools.ts。3.1 Tier 1何时走确定性 codemod当hooks_route返回[CODEMOD_AVAILABLE]字面量且任务意图属于确定性的三类var-to-const、remove-console、add-logging时应调用mcp__plugin_ruflo-core_ruflo__hooks_codemod传入意图 文件由 TypeScript 编译器直接应用变换——$0、无 LLM 参与。底层实现位于 ADR-143它把 Tier 1 从旧方案「Agent Booster」重构为确定性 codemod原因在于审计发现旧执行路径是死代码、接线错误且模块无法解析——Agent Booster 本质是快应用合并引擎接收 LLM 已算好的目标代码片段而不是变换生成器因此无法实现零 LLM 的意图变换。新的实现改用 TypeScript 编译器 API 做保留格式的文本范围编辑定位精确 AST 节点、直接拼接原始源码、绝不重印整个文件因此注释与空白得以保留。三个确定性意图的变换规则ADR-143 明确给出var-to-const绑定在整个文件中从未被重新赋值则改为const否则保守地保留letlet永远合法remove-console删除console.*(…)表达式语句仅当该语句独占一行时整行移除add-logging在每个函数体插入一行console.log(name called)幂等——已存在则跳过。注意边界add-types、add-error-handling、async-await需要判断力按 ADR-143 它们不是 $0 的 codemod会路由到模型Tier 2/3。hooks_codemod工具对这类意图会直接拒绝并提示「Route it to a model via hooks_model-route (Tier 2/3)」见 hooks-tools.ts。而 Agent Booster 仍作为一般快应用引擎依赖存在但已移出 Tier 1 路径。3.2 Tier 2/3复杂度驱动的模型选择当任务无法被确定性 codemod 覆盖hooks_route内部会通过enhanced-model-router计算复杂度并返回{ tier, handler, model, complexity, confidence, estimatedLatencyMs, estimatedCost, recommendation }见 hooks-tools.ts。同时hooks_model-route提供独立的模型档位接口其输入为{ task, preferSpeed?, preferCost? }底层路由器返回{ model, confidence, uncertainty, complexity, reasoning, alternatives }并在兼容性字段中声明实现为heuristic-thompson-bandit启发式 Thompson 置信区间上界而非神经网络见 hooks-tools.ts。若模型路由器不可用hooks_model-route会退化为简单启发式complexity 0.7 → opus 0.4 → sonnet否则haiku置信度固定 0.7 并标注implementation: fallback。四、闭环训练hooks_model-outcome为什么是必选项技能原文强调「Closing the routing loop is mandatory关闭路由环路是强制要求」。路由决策只有在被回灌后才产生学习价值否则路由器永远停留在初始状态。# 成功 mcp tool call hooks_model-outcome --json -- {taskId: T123, success: true, model: haiku} # 失败并附原因 mcp tool call hooks_model-outcome --json -- {taskId: T123, success: false, model: haiku, reason: complexity-misjudged}技能原文直白地警告「The router learns from these calls. Skipping them no learning.路由器从这些调用中学习。跳过它们 不学习。」底层看hooks_model-outcome的 handler 直接调用ModelRouter.recordOutcome(task, model, outcome)把结果写入Thompson 先验见 hooks-tools.ts。其输入模式为{ task, model(enum: haiku|sonnet|opus), outcome(enum: success|failure|escalated) }——注意技能示例使用了success布尔 reason而工具级 schema 额外支持escalated这一状态与置信度门控升级机制衔接见下文。与路由配套的还有一个验证侧工具hooks_model-verify它用廉价的结构信号空输出/截断、拒绝模式、退化重复、对代码/JSON 任务做真实语法解析在生成后给出{confident, reasons[], suggestedTier, escalate}判定并把结论写入与hooks_model-outcome相同的学习流——这样 Bandit 能学到「廉价档位在哪些任务形态上会失败」。这构成了route → generate → verify → (escalate) → outcome的完整置信度门控序列见 hooks-tools.ts。路由学习的效果可以在任何时候用hooks_model-stats查询{ available, ...stats, timestamp }供/intelligence仪表盘展示模型档位分布见 hooks-tools.ts。五、CLI 替代方案不开 MCP 也能跑通路由若不想或不方便直接调 MCP 工具技能提供了等价的命令行形态底层都封装在claude-flow/cli的hooks命令族中npx claude-flow/clilatest hooks route --task description npx claude-flow/clilatest hooks pre-task --description description npx claude-flow/clilatest hooks explain --topic routing decisionhooks route与hooks_pre-task等价于第 1 步的 Agent 推荐——其中hooks_pre-task在 hooks-tools.ts 中实现为基于任务描述做关键词复杂度判定含complex/architecture/超长描述 → highsimple/fix/短描述 → low否则 medium并给出suggestedAgents主 Agent 置信度递减排列、estimatedDurationhigh: 2-4 小时 / medium: 30-60 分钟 / low: 10-30 分钟、risks与recommendationshooks explain对应第 6 步的--why解释它输出「基于关键词分析的路由决策」、命中模式列表、以及从.claude-flow/routing-outcomes.json读出的历史成功率若文件存在见 hooks-tools.ts。六、在 4 步智能流水线中的定位intelligence-route不是孤立技能它嵌在ruflo-intelligence插件所定义的RETRIEVE → JUDGE → DISTILL → CONSOLIDATE四步流水线中见 README.md阶段做什么本技能用到的工具RETRIEVE从 HNSW 索引拉取相关模式与历史轨迹hooks_intelligence_pattern-search第 3 步JUDGE对候选打分并给出裁决hooks_intelligence_attention、neural_predict第 4 步、hooks_explain第 6 步DISTILL通过 LoRA/SONA 提炼关键经验本技能之外见neural-train技能CONSOLIDATE用 EWC 防止灾难性遗忘本技能之外技能的第 3 步pattern-search正是 RETRIEVE 的落地第 4 步neural_predict与第 6 步hooks_explain共同构成 JUDGE——路由决策因此同时获得「历史模式」与「神经预测」双重依据。七、把技能接进日常工作流配置前提与最佳实践安装与兼容性ruflo-intelligence插件通过 Ruflo 插件市场安装/plugin marketplace add ruvnet/ruflo /plugin install ruflo-intelligenceruflo兼容性约束见 README.mdCLI 固定到claude-flow/cliv3.6 大版本 次版本验证契约是运行bash plugins/ruflo-intelligence/scripts/smoke.sh。与 Hook 集成的自动触发intelligence-route的调用链在 Claude Code 钩子层已有官方接线见 README.md钩子调用工具阶段pre-taskhooks_routehooks_intelligence_pattern-searchRETRIEVEpost-task --train-neuralagentdb_pattern-storeReasoningBank回退memory_store --namespace patternDISTILLpretrain一次性hooks_pretrain→ 播种memory_store --namespace patterns引导启动这意味着只要配置了这些钩子每次任务开始前路由推荐会被自动触发无需每次手动调用技能——但--why的可审计解释仍需显式请求。实战建议清单先咨询再动手任何非平凡任务开始前先跑hooks_route命中[CODEMOD_AVAILABLE]就交给hooks_codemod绝不送 LLM区分确定性意图add-types/add-error-handling/async-await即使被意图分类器识别也必须走模型路由不要硬套 codemod永远回灌结果任务结束务必调hooks_model-outcome否则路由器不学习、三档边界永远不会自我修正善用验证升级生成后调用hooks_model-verifyescalate: true时升档重做再记录 outcome让 Bandit 从升级中学习查询与审计用hooks_model-stats观察档位分布用hooks explain复核每一次路由的理由用--why保留决策痕迹。八、总结intelligence-route是 Ruflo 自学习体系中最贴近日常开发的一条技能路径它用七步闭环把「选谁干活、用什么模型、为什么这么选、选对了没有」全部数据化。Tier 1 的确定性 codemodADR-143让结构性变换以 ~1ms、$0 的成本完成Tier 2/3 的 Thompson Bandit 路由器在延迟与质量之间持续自我校准hooks_model-outcome的强制回灌保证了每一次路由都在积累经验。无论是通过 MCP 工具逐条调用还是用npx claude-flow/clilatest hooks ...命令行批量执行这套流程都同样可用。深入阅读 intelligence-route/SKILL.md、hooks-tools.ts、enhanced-model-router.ts 与 ADR-143即可把路由决策完全纳入自己的可审计工作流。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ruflo-intelligence 智能路由实战：基于三档模型选择器与学习模式的 Agent 任务编排
ruflo-intelligence 智能路由实战基于三档模型选择器与学习模式的 Agent 任务编排【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo导读本文围绕 Ruflo 插件体系中的ruflo-intelligence的intelligence-route技能SKILL.md系统讲解如何用三档模型选择器3-Tier Model Router 历史学习模式learned patterns为任意任务自动挑选最优 Agent 与模型档位并通过hooks_explain输出可审计的路由依据。读完本文你将掌握hooks_route、hooks_model-route、hooks_intelligence_pattern-search、neural_predict、hooks_model-outcome等工具组成的完整路由闭环理解 Tier 1 确定性 codemod$0、零 LLM与 Tier 2/3 模型调度的边界并能用 MCP 工具或claude-flow/cli命令行落地同一套流程。一、智能路由解决什么问题在 Ruflo 的运行时中任务到达后往往需要人工指定「用哪个 Agent、哪个模型」这种手动选择既不透明也不经济——一个简单的var-to-const转换若被丢给 Sonnet会付出毫秒级任务数秒的延迟与数美分的成本而一个跨多文件重构若被丢给 Haiku则大概率返工。intelligence-route技能将这一决策数据化用学习到的历史模式 三档模型路由器替代人工选择。其技能前置声明frontmatter明确给出能力边界name: intelligence-route description: Route tasks via the 3-tier model selector and learned patterns; emits a routing rationale via hooks_explain argument-hint: task-description [--why] allowed-tools: mcp__plugin_ruflo-core_ruflo__hooks_route mcp__plugin_ruflo-core_ruflo__hooks_explain mcp__plugin_ruflo-core_ruflo__hooks_model-route mcp__plugin_ruflo-core_ruflo__hooks_model-stats mcp__plugin_ruflo-core_ruflo__hooks_model-outcome mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-search mcp__plugin_ruflo-core_ruflo__hooks_intelligence_attention mcp__plugin_ruflo-core_ruflo__hooks_intelligence_stats mcp__plugin_ruflo-core_ruflo__neural_predict mcp__plugin_ruflo-core_ruflo__hooks_pre-task Bash技能接受一个任务描述可选传入--why以要求输出路由解释。它的适用时机是任何非平凡任务开始之前——替换掉手工选 Agent 的旧流程。该技能是 Ruflo 自学习系统self-learning system的用户面入口之一。ruflo-intelligence插件将 29 个智能相关 MCP 工具组织为可发现的技能、命令与标准 4 步流水线RETRIEVE → JUDGE → DISTILL → CONSOLIDATE与ruflo-agentdb命名空间约定、ruflo-ruvector轨迹记录基底、ruflo-browser会话回放协同工作详见 ruflo-intelligence/README.md。intelligence-route正是该流水线中JUDGE评判阶段的落地形态。二、路由七步流程从推荐到闭环训练intelligence-route的核心是可重复执行的七步操作序列每一步都对应一个具体的 MCP 工具获取 Agent 推荐— 调用mcp__plugin_ruflo-core_ruflo__hooks_route传入任务描述。返回{ recommended, confidence, reasoning }推荐 Agent、置信度、推理依据。获取模型档位推荐— 调用mcp__plugin_ruflo-core_ruflo__hooks_model-route在 Haiku/Sonnet/Opus 三者间做选择。检索历史相似模式— 调用mcp__plugin_ruflo-core_ruflo__hooks_intelligence_pattern-search寻找过往成功案例命中即为 RETRIEVE 阶段的输入。预测任务结局— 调用mcp__plugin_ruflo-core_ruflo__neural_predict对任务描述给出带置信度的成败预测作为 JUDGE 阶段的路由信号。按推荐档位派生 Agent— 以第 1、2 步的结果启动推荐 Agent。可选输出路由依据— 若调用时传了--why则调用mcp__plugin_ruflo-core_ruflo__hooks_explain把「为什么选这个 Agent、这个模型」的完整理由交给用户保证决策可审计。任务完成后回灌结果— 调用mcp__plugin_ruflo-core_ruflo__hooks_model-outcome携带success: true|false让路由器从结果中学习。这七步构成了一个完整的路由闭环推荐 → 执行 → 解释 → 反馈训练。第 7 步尤其关键——见下文「闭环训练」。三、三档模型路由延迟、成本与适用场景路由器的核心决策模型是三档选择3-Tier Model Routingintelligence-route技能用一张表把它讲透档位处理器延迟成本适用场景1确定性 codemodTypeScript 编译器~1ms$0无需 LLM 的结构性变换var-to-const、remove-console、add-logging2Haiku~500ms~$0.0002低复杂度30%、Bug 修复、快速补丁3Sonnet/Opus2–5s$0.003–$0.015复杂推理、架构设计、安全审计、多文件重构三档设计的目标是避免把简单变换丢给昂贵模型——正如hooks_route工具的底层描述所言原生工具没有等价物Claude Code 本身不会内省自己的模型选择成本见 hooks-tools.ts。3.1 Tier 1何时走确定性 codemod当hooks_route返回[CODEMOD_AVAILABLE]字面量且任务意图属于确定性的三类var-to-const、remove-console、add-logging时应调用mcp__plugin_ruflo-core_ruflo__hooks_codemod传入意图 文件由 TypeScript 编译器直接应用变换——$0、无 LLM 参与。底层实现位于 ADR-143它把 Tier 1 从旧方案「Agent Booster」重构为确定性 codemod原因在于审计发现旧执行路径是死代码、接线错误且模块无法解析——Agent Booster 本质是快应用合并引擎接收 LLM 已算好的目标代码片段而不是变换生成器因此无法实现零 LLM 的意图变换。新的实现改用 TypeScript 编译器 API 做保留格式的文本范围编辑定位精确 AST 节点、直接拼接原始源码、绝不重印整个文件因此注释与空白得以保留。三个确定性意图的变换规则ADR-143 明确给出var-to-const绑定在整个文件中从未被重新赋值则改为const否则保守地保留letlet永远合法remove-console删除console.*(…)表达式语句仅当该语句独占一行时整行移除add-logging在每个函数体插入一行console.log(name called)幂等——已存在则跳过。注意边界add-types、add-error-handling、async-await需要判断力按 ADR-143 它们不是 $0 的 codemod会路由到模型Tier 2/3。hooks_codemod工具对这类意图会直接拒绝并提示「Route it to a model via hooks_model-route (Tier 2/3)」见 hooks-tools.ts。而 Agent Booster 仍作为一般快应用引擎依赖存在但已移出 Tier 1 路径。3.2 Tier 2/3复杂度驱动的模型选择当任务无法被确定性 codemod 覆盖hooks_route内部会通过enhanced-model-router计算复杂度并返回{ tier, handler, model, complexity, confidence, estimatedLatencyMs, estimatedCost, recommendation }见 hooks-tools.ts。同时hooks_model-route提供独立的模型档位接口其输入为{ task, preferSpeed?, preferCost? }底层路由器返回{ model, confidence, uncertainty, complexity, reasoning, alternatives }并在兼容性字段中声明实现为heuristic-thompson-bandit启发式 Thompson 置信区间上界而非神经网络见 hooks-tools.ts。若模型路由器不可用hooks_model-route会退化为简单启发式complexity 0.7 → opus 0.4 → sonnet否则haiku置信度固定 0.7 并标注implementation: fallback。四、闭环训练hooks_model-outcome为什么是必选项技能原文强调「Closing the routing loop is mandatory关闭路由环路是强制要求」。路由决策只有在被回灌后才产生学习价值否则路由器永远停留在初始状态。# 成功 mcp tool call hooks_model-outcome --json -- {taskId: T123, success: true, model: haiku} # 失败并附原因 mcp tool call hooks_model-outcome --json -- {taskId: T123, success: false, model: haiku, reason: complexity-misjudged}技能原文直白地警告「The router learns from these calls. Skipping them no learning.路由器从这些调用中学习。跳过它们 不学习。」底层看hooks_model-outcome的 handler 直接调用ModelRouter.recordOutcome(task, model, outcome)把结果写入Thompson 先验见 hooks-tools.ts。其输入模式为{ task, model(enum: haiku|sonnet|opus), outcome(enum: success|failure|escalated) }——注意技能示例使用了success布尔 reason而工具级 schema 额外支持escalated这一状态与置信度门控升级机制衔接见下文。与路由配套的还有一个验证侧工具hooks_model-verify它用廉价的结构信号空输出/截断、拒绝模式、退化重复、对代码/JSON 任务做真实语法解析在生成后给出{confident, reasons[], suggestedTier, escalate}判定并把结论写入与hooks_model-outcome相同的学习流——这样 Bandit 能学到「廉价档位在哪些任务形态上会失败」。这构成了route → generate → verify → (escalate) → outcome的完整置信度门控序列见 hooks-tools.ts。路由学习的效果可以在任何时候用hooks_model-stats查询{ available, ...stats, timestamp }供/intelligence仪表盘展示模型档位分布见 hooks-tools.ts。五、CLI 替代方案不开 MCP 也能跑通路由若不想或不方便直接调 MCP 工具技能提供了等价的命令行形态底层都封装在claude-flow/cli的hooks命令族中npx claude-flow/clilatest hooks route --task description npx claude-flow/clilatest hooks pre-task --description description npx claude-flow/clilatest hooks explain --topic routing decisionhooks route与hooks_pre-task等价于第 1 步的 Agent 推荐——其中hooks_pre-task在 hooks-tools.ts 中实现为基于任务描述做关键词复杂度判定含complex/architecture/超长描述 → highsimple/fix/短描述 → low否则 medium并给出suggestedAgents主 Agent 置信度递减排列、estimatedDurationhigh: 2-4 小时 / medium: 30-60 分钟 / low: 10-30 分钟、risks与recommendationshooks explain对应第 6 步的--why解释它输出「基于关键词分析的路由决策」、命中模式列表、以及从.claude-flow/routing-outcomes.json读出的历史成功率若文件存在见 hooks-tools.ts。六、在 4 步智能流水线中的定位intelligence-route不是孤立技能它嵌在ruflo-intelligence插件所定义的RETRIEVE → JUDGE → DISTILL → CONSOLIDATE四步流水线中见 README.md阶段做什么本技能用到的工具RETRIEVE从 HNSW 索引拉取相关模式与历史轨迹hooks_intelligence_pattern-search第 3 步JUDGE对候选打分并给出裁决hooks_intelligence_attention、neural_predict第 4 步、hooks_explain第 6 步DISTILL通过 LoRA/SONA 提炼关键经验本技能之外见neural-train技能CONSOLIDATE用 EWC 防止灾难性遗忘本技能之外技能的第 3 步pattern-search正是 RETRIEVE 的落地第 4 步neural_predict与第 6 步hooks_explain共同构成 JUDGE——路由决策因此同时获得「历史模式」与「神经预测」双重依据。七、把技能接进日常工作流配置前提与最佳实践安装与兼容性ruflo-intelligence插件通过 Ruflo 插件市场安装/plugin marketplace add ruvnet/ruflo /plugin install ruflo-intelligenceruflo兼容性约束见 README.mdCLI 固定到claude-flow/cliv3.6 大版本 次版本验证契约是运行bash plugins/ruflo-intelligence/scripts/smoke.sh。与 Hook 集成的自动触发intelligence-route的调用链在 Claude Code 钩子层已有官方接线见 README.md钩子调用工具阶段pre-taskhooks_routehooks_intelligence_pattern-searchRETRIEVEpost-task --train-neuralagentdb_pattern-storeReasoningBank回退memory_store --namespace patternDISTILLpretrain一次性hooks_pretrain→ 播种memory_store --namespace patterns引导启动这意味着只要配置了这些钩子每次任务开始前路由推荐会被自动触发无需每次手动调用技能——但--why的可审计解释仍需显式请求。实战建议清单先咨询再动手任何非平凡任务开始前先跑hooks_route命中[CODEMOD_AVAILABLE]就交给hooks_codemod绝不送 LLM区分确定性意图add-types/add-error-handling/async-await即使被意图分类器识别也必须走模型路由不要硬套 codemod永远回灌结果任务结束务必调hooks_model-outcome否则路由器不学习、三档边界永远不会自我修正善用验证升级生成后调用hooks_model-verifyescalate: true时升档重做再记录 outcome让 Bandit 从升级中学习查询与审计用hooks_model-stats观察档位分布用hooks explain复核每一次路由的理由用--why保留决策痕迹。八、总结intelligence-route是 Ruflo 自学习体系中最贴近日常开发的一条技能路径它用七步闭环把「选谁干活、用什么模型、为什么这么选、选对了没有」全部数据化。Tier 1 的确定性 codemodADR-143让结构性变换以 ~1ms、$0 的成本完成Tier 2/3 的 Thompson Bandit 路由器在延迟与质量之间持续自我校准hooks_model-outcome的强制回灌保证了每一次路由都在积累经验。无论是通过 MCP 工具逐条调用还是用npx claude-flow/clilatest hooks ...命令行批量执行这套流程都同样可用。深入阅读 intelligence-route/SKILL.md、hooks-tools.ts、enhanced-model-router.ts 与 ADR-143即可把路由决策完全纳入自己的可审计工作流。【免费下载链接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated项目地址: https://gitcode.com/GitHub_Trending/cl/ruflo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考