使用OpenRouter实现自动化AI路由决策器

该工作流通过智能路由查询到最适合的模型，确保动态优化的AI响应。

## 优势

🔁 自动模型路由：
自动为任务选择最佳模型，提高响应效率和相关性。

🎯 资源优化使用：
通过将简单查询路由到轻量级模型，避免过度使用像GPT-4这样的昂贵模型。

📚 模型感知推理：
使用关于模型能力（如推理、编码、网络搜索）的详细元数据进行智能选择。

📥 模块化和可扩展：
易于与其他工具集成，或通过添加更多模型或自定义决策逻辑进行扩展。

👨‍💻 适用于RAG和多代理系统：
可以作为更复杂代理框架或检索增强生成（RAG）管道的大脑。

## 工作原理

聊天触发器：当用户发送消息时，工作流启动，触发路由代理。
模型选择：AI代理分析查询并从可用选项中选择最适合的模型（例如，Claude 3.7 Sonnet用于编码，Perplexity/Sonar用于网络搜索，GPT-4o Mini用于推理）。
结构化输出：代理返回包含用户提示和所选模型的JSON响应。
执行：所选模型处理查询并生成响应，确保任务的最佳性能。

## 设置步骤

配置节点：
– 聊天触发器：设置webhook以接收用户消息。
– 路由代理（AI代理）：定义包含模型优势和JSON输出规则的系统消息。
– OpenRouter聊天模型：连接到OpenRouter以访问模型。
– 结构化输出解析器：确保验证JSON响应格式（提示+模型）。
– 执行代理（AI代理1）：配置其将提示转发到所选模型。

连接节点：
– 将聊天触发器连接到路由代理。
– 将OpenRouter聊天模型和输出解析器连接到路由代理。
– 将解析的JSON路由到执行代理，该代理通过OpenRouter聊天模型1使用所选模型。

凭据：
– 确保两个聊天模型节点的OpenRouter API凭据正确设置。

测试和部署：
– 激活工作流并使用示例查询进行测试以验证模型选择逻辑。
– 如果需要更好的准确性，调整路由规则。

## 可用模型

该工作流支持以下模型：
– perplexity/sonar（内置网络搜索功能）
– openai/gpt-4o-mini（成本效益高的推理模型）
– anthropic/claude-3.7-sonnet（编码任务专家）
– meta-llama/llama-3-70b-instruct（编程和技术问题解决）
– google/gemini-2.5-pro-preview（多模态能力）
– qwen/qwen-qwq-32b（推理和问题解决）
– openai/codex-mini（代码生成）
– openai/o1-pro（复杂推理）