ADR-0020 · 四层分发（4-Layer Dispatch, L0–L3）¶
- 状态：accepted
- 日期：2026-08-05
- 关联：0018、UPLOAD_WORKFLOW.md、GRAPH.md。
背景（Context）¶
当用户输入进来，外层 Outer Router（见 ADR-0019）需要把它分发到正确的 Domain Graph。难点在于模糊/口语输入——例如：「昨天跟 Sarah 去看了《奥本海默》，顺便练了会儿吉他」同时触达 media（电影）、habit（吉他）与共享的 person（Sarah）。个人管家的体感，正取决于这种复合输入能否被正确处理。
候选分发策略：
- 纯声明式打分（
registry.select关键词/URL/模态）：快、确定，但口语模糊输入易误判。 - 纯 LLM 分类器：最灵活，但每次多一次 LLM 调用、且非确定。
- 混合：声明式预筛做快路径，模糊输入回落 LLM。
决策（Decision）¶
采用四层分发，逐层升级代价，最后一层做回流：
| 层 | 名称 | 做法 | 触发条件 |
|---|---|---|---|
| L0 | 模态归一化 | 把 text / link / image / audio 归一为统一的 SkillInput |
每次输入入口 |
| L1 | 声明式预筛 | registry.select() 关键词/URL/模态打分，命中即走对应 Domain Graph |
有明确信号（如招聘 URL） |
| L2 | LLM 模糊回路 | 仅当 L1 命中模糊/复合/多实体时才调一次 LLM 做意图分类 + 领域路由 | L1 无法唯一确定 |
| L3 | 回流 | 用户纠错/补信息后带上下文回到对应 Graph 重跑 | 用户修正或补充 |
关键约定：
- L1 → L2 的闸门：文本输入先经 L1 预筛；只有当实体命中处于模糊状态（多领域冲突、无高置信匹配）才进 L2，避免每个输入都烧一次 LLM。
- 跨域 subgraph 常驻：
memory/capture/ 聊天不作为任何 Domain Graph 私有，而是常驻 subgraph，任意 Domain Graph 都能调用。复合输入（看电影+见人）的处理不是「选一个图」，而是「进入编排好的跨域 subgraph」。 - L3 回流是闭环而非失败：用户纠偏是正常路径，回流带原始上下文回到对应 Node/Graph 重跑。
理由与代价（Consequences）¶
- 得到：个人管家场景下的复合口语输入被正确拆解（电影→media Graph，吉他→habit Graph，Sarah→共享 person subgraph）。
- 得到：快路径（L1）零 LLM 调用、确定性强；模糊路径（L2）灵活但有闸门控制成本。
- 得到：与 ADR-0012「LangGraph 之上极薄 runtime」一致——分发本身就是一个 LangGraph 外层编排。
- 代价：L2 引入一次额外 LLM 调用（仅模糊输入）；需要维护
registry.select的打分规则与 LLM 分类器的 prompt。 - 代价：L3 回流要求 Graph 状态可恢复（LangGraph
interrupt/resume支撑）。
备选方案（Alternatives）¶
- 纯声明式（淘汰 LLM）：对口语复合输入几乎必然误判，损害管家体感。
- 纯 LLM（每次都分类）：非确定性强、每次输入成本翻倍、且对明确信号（招聘 URL）浪费算力。
- Graph 只是领域命名空间（用户已否决）：见 0018——Graph 是真控制流，多领域 Graph 经外层 router / subgraph 编排，不是命名空间。