Uno-Orchestra：经选择性委托的简约智能体路由

大语言模型（LLM）多智能体系统通常依赖僵硬的编排：要么承诺每查询的平面路由，要么手工工程任务分解——分解深度、工作者选择与推理预算未在单一目标下联合优化。我们提出Uno-Orchestra：一个统一编排策略，选择性地分解任务并把每个子任务派给可允许的（模型，原语）对，两个决策都从扎根真实工作者交互的精选RL轨迹中共同学习。在横跨数学、代码、知识、长上下文与智能体工具使用的13基准套件上对抗22个基线，Uno-Orchestra达到77.0%的宏平均pass@1——比最强工作流基线高约16%，而每查询成本低约一个数量级，推进了选择性委托的准确率-效率前沿。