OpenRouter 推出 Classifiers 測試版，可對每次 AI 請求自動附加結構化標籤，按部門、任務類型、代理複雜度、合規與成本中心分類，非同步執行不增加推論延遲，並在 Activity Explorer 聚合分析。

測試版上線：為每次請求打上結構化標籤

OpenRouter 推出 Classifiers 測試版，讓企業對每一次 AI 請求自動附加結構化元資料，把「這筆推論做了什麼、誰在用、錢花到哪」變成可查詢的欄位。使用者可定義任務類型、智慧代理複雜度、合規分類、成本中心等條件，由指定模型讀取每次生成結果（或抽樣子集）並套用分類體系，結果寫入紀錄。對需要審計 agent 開銷、向利害關係人報告 AI 治理狀況的團隊，這套機制補上了過去缺乏的觀測層。

設定四要素與六款預設模板

一個分類器是包含四個部分的小型設定：分類體系（最多八個維度，每個維度可自訂值）、分類提示詞、負責判讀的模型，以及採樣率。分類在每次請求完成後非同步執行，不會拖慢推論延遲。平台提供六款預設模板：Department 標記發起部門（工程、法務、行銷等）；Audience 標記輸出對象（內部、客戶、監管機關、公眾）；Task Type 標記任務種類；Engineering Work 細分功能開發、除蟲、重構、程式審查；Agent Complexity 標記難度等級；Capitalizable Software Expense 則判斷 AI 輔助工程是否屬於可資本化的開發。

模型選擇與採樣率控制成本

OpenRouter 推薦 Gemini 3.5 Flash Lite 作為分類模型，理由是價格低、結構化輸出準確度足以應付多數分類體系，並可隨時更換。在高吞吐下逐一分類的成本會累積，因此採樣率成為關鍵：可以用 100% 比例運行嚴格的合規分類器，同時對同一流量只抽 10% 做較寬泛的成本歸屬，讓支出與需要的監管力道成正比。

在 Activity Explorer 聚合分析

分類結果會被收斂成結構化格式並限制在自訂維度內，每筆被標記的生成結果可在 Logs 中按分類篩選，例如直接撈出 department: legal 或難度等級為 complex_multistep 的代理任務。Activity Explorer 回答聚合問題：按任務類型、部門或代理難度分組流量，觀察哪些任務或部門消耗最多預算、不同任務又用了哪個層級的模型。值得注意的是，即使停用輸入與輸出紀錄，Classifiers 仍可運作。

這類觀測標籤能回答「流量去了哪裡」，卻不能取代執行前的權限邊界；AgentForger 的 workspace agent CSRF 漏洞 顯示，一旦外部輸入能改寫審批政策，事後分類不足以阻止高權限動作。