一句话定义
自演进模型路由（Self-Evolving AI 词典：Model Routing">Model Routing）指的是：把"这次任务该交给哪个模型"的决定权，交给一个会持续学习的路由器，并让它根据每次运行的实际结果，在线更新自己的路由策略。目标很明确——在效果不掉的前提下，把 token 消耗砍下来。
它到底在做什么
一次请求进来，路由层先看一眼：问题难度、上下文长度、要不要调工具、历史上类似问题是怎么被解决的。然后分流：小模型直接答、大模型来答，还是走一轮多步的智能体流程。
静态路由的做法是人工写规则（"代码问题走大模型，翻译走小模型"），或者离线训一个分类器，训完就冻结。它默认"任务分布不会变"。可一旦业务换了、模型升级了、用户的问法变了，这套规则就开始失准，而且通常没人敢改。
自演进路由把每次运行的结局当成绩单：任务成功了吗？重试了几次？用户采纳了吗？花了多少 token？延迟多久？这些信号回流，去更新路由策略本身——阈值、打分函数，甚至路由用的提示词。以 X-Router 这类实现为例，它做的正是把这条反馈回路接进每一次智能体运行，让策略像一本不断修订的账本：某类问题连着几周都被小模型答对，它在这条路上的权重就上升。
打个比方
公司打车报销。
静态路由 = 制度写死"市内一律叫快车"，定完贴墙上，半年不动。
自演进路由 = 每次出行后都记账复盘："这条线路拼车也没误事"、"那次赶飞机叫专车是对的"。三个月后，制度自己长成了"哪些线路默认拼车、哪些默认专车"。
但有个硬约束：不是无脑省钱。目标函数通常是"在成功率不低于某条基线的前提下，最小化 token 成本"。少了这个约束，路由会退化成"全走最便宜的模型"，效果直接崩。
和相邻概念的区别
| 维度 | 静态路由 | 自演进路由 |
|---|---|---|
| 策略来源 | 人工规则 / 离线训练后冻结 | 反馈驱动，在线更新 |
| 更新时机 | 上线前一次定好 | 每次运行后持续修订 |
| 遇到分布变化 | 失准，需人工重训 | 自行适应 |
| 优化目标 | 往往只追成本或只追质量 | 质量约束下的成本最小化 |
| 主要风险 | 规则腐化、无人敢动 | 奖励被刷（reward hacking）、探索期掉质、策略漂移 |
再对比几个容易混的：模型级联（cascade）是串行兜底，小模型先答、不行再升级，路由更像入口分流，两者常一起用；负载均衡只看压力和延迟，不问答得好不好；微调和蒸馏改的是模型本身，路由改的是调度策略，模型可以一动不动；MoE 里的门控网络是模型内部按 token 挑专家，而自演进路由在系统层，粒度是整条请求。
对你意味着什么
对从业者，省 token 是明面上的收益，更值钱的是它把"该用哪个模型"从一次性的架构决策，变成了一个持续运营的指标。前提是你有可靠的反馈信号（评测集、人工采纳、任务成功率），以及几道安全阀：回退基线、探索预算上限、策略变更留痕。反馈稀疏或噪声大时，自演进反而会学偏，这时候静态规则更稳。各家实现和指标口径差异不小，具体以官方页面为准。
对普通职场人：你用的 AI 工具，同一个问题在不同时间可能由不同模型回答。好处是更快、更便宜；代价是关键结论的稳定性需要你自己抽检——重要的事，别只看一次输出。