TROVE 提出了一种基于运行时证据的轨迹驱动路由编辑机制，解决了传统代理在执行前就固定执行结构导致的编排瓶颈。离线阶段，TROVE 将搜索得到的工作流轨迹抽象为原子技能、复合技能以及一个以结果为条件的转移图，保留稳定片段并显式暴露结果依赖的分支。在线阶段，计划的路线被视为临时方案：在执行完一个顶层技能后，控制器可以保留已有的有效后续、插入一个基于轨迹的局部响应，或仅替换被证据否定的后缀。实验在代码生成、问答和数学推理等基准上，使用不同的 LLM 骨干模型进行评估，结果表明 TROVE 在质量与效率之间实现了更优的平衡，优于数据集级优化、查询级架构选择和图约束调度等基线。质量提升在结果改变后续选择时最为显著，而提前终止在接近饱和的任务上带来显著的效率收益。消融实验显示，复合技能贡献了大部分离线收益，插入机制实现了局部纠错，后缀替换则主要提升效率。这些结果验证了选择性路由编辑作为自适应代理编排的通用原则。
点评