Routing DSL

​

Cuándo recurrir al DSL

• Especialización por tarea — envía código a un modelo de codificación, visión a un modelo de visión, chat barato a un modelo barato.
• Enrutamiento consciente de la dificultad — escala solo las solicitudes difíciles a un modelo caro; mantén las fáciles baratas.
• Enrutamiento consciente del agente — enruta de forma distinta según el estado de la sesión (qué herramientas ha usado el agente, si las pruebas acaban de fallar, cuántos turnos lleva).
• Reglas por tiempo / inquilino / cabecera — enrutamiento distinto por hora, grupo de usuarios o una cabecera de la solicitud.

​

Cómo habilitarlo

​

El editor

• Templates sembradas con los modelos reales de tu espacio de trabajo (vía un diálogo único de mapeo de niveles), para que nunca empieces desde un archivo en blanco ni choques con un muro de “modelo desconocido”.
• Insert — inserta un Model, un Router (orcarouter/<name>) o un Pool desde el autocompletado en lugar de teclear identificadores a mano.
• Generate — describe el enrutamiento que quieres en lenguaje sencillo y obtén de vuelta DSL compilado y limpio de lint, fundamentado en tus modelos reales.
• Explain — una paráfrasis en español sencillo de lo que hace el conjunto de reglas actual.
• Lint en línea — cada error reporta {line, column, message} y cada código de lint tiene un explicador ?. La precedencia (gana la primera coincidencia) y los patrones CEL comunes se muestran in situ.

​

Estructura del archivo

version: 1              # required — currently must be 1
rules: [...]            # required — 1 to 30 rules, evaluated in order
default: {...}          # required — the effect when no rule matches

rules:
  - id: hard_code              # required: ^[a-z][a-z0-9_]{0,39}$, unique
    when: |                    # optional CEL boolean; absent ⇒ always matches
      task_class == "code" && difficulty > 0.6
    use:
      model: "anthropic/claude-sonnet-4-6"
default:
  delegate: balanced           # fall back to a built-in strategy

​

when: — la condición

​

Variables

​

Macros

​

use: — el efecto

​

Destino

use:
  model:    "anthropic/claude-sonnet-4-6"   # one upstream model
  models:   ["openai/gpt-4o-mini", "..."]   # load-balance across a list
  pool:     "@pool:<name>"                   # an admin-curated pool
  delegate: balanced                         # hand off to a built-in
                                             #   strategy: cheapest |
                                             #   quality | balanced |
                                             #   linucb | gated_adaptive

​

Perillas por llamada

use:
  reasoning_effort:       low | medium | high     # OpenAI o-series, Gemini
  thinking_budget_tokens: 1024..64000             # Claude / Gemini thinking
  samples:                1..16                    # the n parameter
  temperature:            0.0..2.0
  param_override:         { ... }                  # merged into upstream params
  header_override:        { ... }                  # merged into upstream headers
  reason_tag:             "<[a-z0-9_]+>"           # shows up in logs/telemetry
  affinity_ttl:           "5m"                      # channel stickiness window
  model_rewrite:          "<upstream-model>"       # send under a different name

​

Cascadas de confianza y ensembles (avanzado)

rules:
  - id: code_with_repair
    when: task_class == "code"
    use:
      model: "openai/gpt-4o-mini"
    on_low_confidence:
      signals: [patch_invalid, self_doubt, next_turn_test_failed]
      use:
        model: "anthropic/claude-sonnet-4-6"   # repair attempt

use:
  parallel:
    - { model: "anthropic/claude-sonnet-4-6" }
    - { model: "openai/gpt-4o-mini", samples: 2 }
  arbiter:
    strategy: best_of_n        # or majority | first | tests_pass
    model:    "anthropic/claude-sonnet-4-6"   # judge (best_of_n only)
  max_latency_ms: 120000

​

Despliegue seguro

• Modo shadow — durante una ventana tras el primer guardado, el DSL se evalúa pero no se usa: tu estrategia anterior sigue sirviendo el tráfico mientras la pasarela registra lo que el DSL habría hecho. El panel muestra un informe de diferencias — porcentaje de rutas divergentes, delta de coste proyectado, conteos de disparo por regla y con qué frecuencia cayó hasta default:. Léelo antes de confiar en las reglas.
• Canary — sube gradualmente el DSL a un porcentaje del tráfico en vivo (5 → 25 → 50 → 100), observando las métricas por porción, y revierte al instante deslizando el porcentaje a 0.

​

Límites y validación

• Esquema — claves requeridas, tipos/enums correctos, sin campos desconocidos.
• Tamaño — ≤ 30 reglas, ≤ 16 KiB de YAML, ≤ 200 caracteres por when:.
• CEL — parsea, verifica tipos contra el entorno de variables, sin identificadores desconocidos, y when: debe evaluar a un bool.
• Efecto — exactamente un destino por bloque use:; todas las referencias model / models / @pool: deben resolverse en tu espacio de trabajo.
• Rangos de perillas — thinking_budget_tokens ∈ [1024, 64000], temperature ∈ [0, 2], samples ∈ [1, 16].
• Reservado — los ids de regla que empiezan con _ están reservados; default como id de regla se rechaza (usa el bloque default: de nivel superior).

​

Un ejemplo completo

version: 1
rules:
  - id: vision
    when: request.vision
    use: { model: "openai/gpt-4o" }

  - id: cheap_chat
    when: task_class == "chat" && difficulty < 0.3
    use: { delegate: cheapest }

  - id: hard_code
    when: task_class == "code" && difficulty > 0.6
    use:
      model: "anthropic/claude-sonnet-4-6"
      thinking_budget_tokens: 8000
      reason_tag: hard_code

  - id: agent_after_failed_test
    when: agent_state.last_test_failed && agent_state.consecutive_errors >= 2
    use:
      model: "anthropic/claude-sonnet-4-6"
      reason_tag: repair

default:
  delegate: balanced

​

Referencia de la API

​

Preguntas frecuentes