インテリジェンス ルーティング

学習したパターンと 3 段階ルーターを使用して、タスクに最適なエージェント + モデルティアを選択します。hooks_explain の根拠を発行するため、選択内容は監査可能です。

使用するタイミング

任意の非自明なタスクを開始する前に使用します。手動でのエージェント選択をデータドリブンの決定に置き換えます。

手順

1. エージェント推奨事項を取得 — mcp__claude-flow__hooks_route をタスク説明と共に呼び出します。{ recommended, confidence, reasoning } を返します。
2. モデルティア推奨事項を取得 — mcp__claude-flow__hooks_model-route を Haiku/Sonnet/Opus 選択用に呼び出します。
3. 類似する過去のパターンを検索 — mcp__claude-flow__hooks_intelligence_pattern-search で以前の成功事例を見つけます。
4. 結果を予測 — mcp__claude-flow__neural_predict をタスク説明と共に呼び出し、信頼度スコア付きの予測を取得します。
5. 推奨されたエージェントを推奨されたモデルティアで起動します。
6. (--why が渡された場合) — mcp__claude-flow__hooks_explain を呼び出して、ルーティング根拠をユーザーに表示します。
7. タスク完了後 — mcp__claude-flow__hooks_model-outcome を success: true|false と共に呼び出して、ルーターを訓練します。

3 段階モデルルーティング

ティア	ハンドラー	レイテンシ	コスト	使用場面
1	Agent Booster (WASM)	<1ms	$0	シンプルな変換 (var→const、型追加、console 削除) — LLM をスキップ
2	Haiku	~500ms	~$0.0002	低複雑度 (<30%)、バグ修正、クイックパッチ
3	Sonnet/Opus	2–5s	$0.003–$0.015	複雑な推論、アーキテクチャ、セキュリティ、マルチファイルリファクタリング

hooks_route がインテント型 (var-to-const、add-types、add-error-handling、async-await、add-logging、remove-console) に対して [AGENT_BOOSTER_AVAILABLE] を返す場合、LLM をスキップして Edit ツールを直接使用します。

結果の記録

ルーティングループを閉じることは必須です:

# 成功
mcp tool call hooks_model-outcome --json -- '{"taskId": "T123", "success": true, "model": "haiku"}'

# 理由付きの失敗
mcp tool call hooks_model-outcome --json -- '{"taskId": "T123", "success": false, "model": "haiku", "reason": "complexity-misjudged"}'

ルーターはこれらの呼び出しから学習します。スキップすることは = 学習なしです。

CLI 代替手段

npx @claude-flow/cli@latest hooks route --task "description"
npx @claude-flow/cli@latest hooks pre-task --description "description"
npx @claude-flow/cli@latest hooks explain --topic "routing decision"