LLM 路由的目标是以低成本挑选出最合适的模型，但专用路由器往往需要随模型和任务的变化进行更新。为此我们提出 COMPASS，一种具备代理能力的路由框架。LLM 按照预设的路由配方执行，利用工具收集模型的性能和费用证据，并可在最终决策前检查候选答案，从而决定调用哪个模型。\ \ 在 LLMRouterBench 与 DeepSWE 两套基准上的实验表明，代理式路由能够在不进行路由专属训练的前提下，同时提升准确率并降低模型调用成本。具体而言，COMPASS 在 LLMRouterBench 上实现 69.85% 的准确率，花费 $139.57，而 RLCascadeRouter 为 69.14% 且花费 $180.22。 在 DeepSWE 的固定五折交叉验证中，COMPASS 达到 78.1% 的准确率，成本 $215，相比之下最佳单模型为 74.1% 且成本 $500。\ \ 此外，COMPASS 还能跨基准进行路由，并通过读取新的评估记录自动适配扩展后的模型池，无需修改路由器的权重或提示词。\ \ 点评：COMPASS 展示了通过能力画像和工具交互实现的自适应路由的潜力，既保持了高效的模型选择，又避免了频繁的模型或任务更新带来的维护成本。