工具愈裝愈多，Agent 執行前最頭痛的往往係「到底應該召喚哪一個 skill」。這個名為 Skill Router 的開源項目正正針對這個痛點：它在主 LLM 介入之前，先以一套確定性（deterministic）方式把用戶請求分類，再揀選一個主技能配搭必要的輔助技能，最後輸出一份可供審計嘅裁決結果，而唔會將本地整份技能清單外洩。對管理大量工具嘅 Agent 開發者來說，這層路由令請求與執行之間多了一道可控嘅分流閘。

路由背後嘅結構相當直接：請求會先落入 8 個 action bucket（sense、understand、decide、create、operate、verify、learn、govern），再對應到 4 個 purpose bucket（data-enrichment、orchestration、utility、verification），然後再評估風險同依賴。分類完成後，系統會套用技能 manifest 內嘅 bucket、agent 同 skill 政策，只回傳最終被選中嘅配對。如果偵測到無效 manifest、缺失證據或依賴未就緒，路由會 fail closed 而唔係硬揀一個；如果請求涉及治理或具物質影響，就會觸發 Human Gate，將決定權交返俾人。

同坊間常見嘅「LLM 自己揀工具」做法相比，Skill Router 嘅取捨係將選擇權交給預先定義嘅規則，LLM 只負責執行被揀中嘅技能。犧牲咗一定靈活性，但換來可預測性同審計能力，亦避免將內部技能清單完整暴露俾模型。公開版本唔打包私有目錄、不打遠端服務、不收集遙測數據，運行環境只需要 Node.js 18+，零第三方依賴，並支援 Windows、macOS 同 Linux。

對於需要管理十幾甚至幾十個 skill、又要顧及合規同可審計性嘅團隊，例如內部 Agent 平台、企業自動化流程或帶敏感操作嘅助手，這層路由可以作為統一入口。對一般開發者而言，佢亦提供咗一個清楚嘅分類同風控範式，幫助避免「LLM 亂叫工具」嘅常見問題。

重點摘要

• 請求先分流、後執行：8 個 action bucket 對應 4 個 purpose bucket，喺主 LLM 之前完成分類。
• 只回傳必要技能：一個主技能加最少輔助技能，避免將整份本地目錄暴露。
• 高風險自動擋住：治理或具物質影響嘅請求會觸發 Human Gate，由人手把關。
• 缺資料就 fail closed：無效 manifest、缺失證據或依賴未就緒會直接 blocked，唔會硬猜。
• 零依賴、易部署：Node.js 18+ 即可運行，公開包不含私有目錄或遙測，跨平台可用。

GitHub