一篇大模型Agents工作流优化最新综述

过去人们总希望一个LLM直接把任务做完现在一个更现实的方向正在浮现——针对不同任务设计不同工作流并让系统在执行前、执行中乃至执行后持续优化这条链路。近日Rensselaer Polytechnic InstituteRPI与IBM Research联合发布Workflow Optimization for LLM Agents最新综述系统讨论了一个正在受到越来越多关注的方向**如何为LLM Agents自动设计、选择、生成、修改并评估工作流结构。Figure 1: 工作流优化概览图展示从静态优化到动态适应的完整谱系上图展示了论文的核心框架Agentic Computation Graph (ACG)作为统一抽象涵盖从静态模板优化到动态运行时适应的全谱系方法。核心概念三个关键对象与分类维度上表清晰定位了本综述与现有工作如规划、工具学习、多智能体协作等综述的区别本文将工作流结构本身作为主要优化对象而非仅关注代理能力或应用场景。Table 1: 本综述与相关综述的定位对比论文提出了区分工作流优化的三个核心对象2.1 三个关键对象ACG Template (Ḡ): 可复用的可执行规范包含节点、边、参数、调度策略和可编辑动作Realized Graph (G_run): 特定运行实际使用的工作流结构可能是模板的实例化或子图Execution Trace (τ): 执行过程中产生的状态、动作、观察和成本序列2.2 分类维度GDT与GPM论文提出了两个轻量级描述符来分类方法Graph Determination Time (GDT): 结构决定的时间点offline: 部署前优化可复用模板pre-execution: 执行前生成特定运行的图in-execution: 执行过程中动态修改结构Graph Plasticity Mode (GPM): 推理时结构可变性none: 结构固定select: 从固定超图中选择子图generate: 执行前生成新结构edit: 执行中添加、删除或重连结构静态工作流优化离线模板搜索静态方法在部署前优化可复用的工作流模板优点是易于检查、约束和基准测试缺点是面对分布偏移时可能显得僵化。Table 2: 代表性核心静态工作流优化方法对比3.1 离线模板搜索代表性方法通过搜索离散设计空间发现优质模板关键方法:AFlow: 使用MCTS搜索类型化算子图结合LLM引导扩展与可执行评估ADAS: 在代码空间搜索元代理提出可运行的代理系统并迭代改进VFlow: 结合硬件验证器的多层级验证语法、功能正确性、可综合性Maestro: 交替进行图编辑与节点配置更新支持数字分数和反思文本反馈3.2 节点级优化在固定脚手架内优化局部组件DSPy: 将LLM管道视为模块组合编译优化提示和示例OPRO/EvoPrompt/CAPO: 使用进化算法或LLM作为优化器搜索最佳提示Optima: 生成、排序、选择多智能体交互轨迹以优化协作效率3.3 可验证性设计静态优化特别适合集成验证MermaidFlow: 使用结构化Mermaid中间表示结合静态有效性检查VFlow: 将多层级验证语法、功能、硬件约束集成到搜索循环中动态工作流优化运行时适应动态方法在推理时确定部分工作流结构适用于任务异构性强、需要自适应的场景。Table 3: 代表性核心动态工作流优化方法对比4.1 选择与剪枝Select/Prune最轻量的动态形式保持超图固定运行时决定激活哪些部分Adaptive Graph Pruning: 学习任务和代理嵌入剪枝通信边和代理DAGP: 基于估计的查询难度进行难度感知的图剪枝AgentDropout: 动态消除冗余代理和通信链接以优化token效率4.2 执行前生成Pre-execution Generation针对特定输入生成工作流结构Assemble Your Crew: 自回归采样角色和边生成查询条件化的DAGG-Designer: 使用变分图自编码器学习图生成器FlowReasoner: 使用RL训练查询级元代理从算子库生成工作流Workflow-R1: 将工作流构建重塑为多轮决策过程使用分组think-act序列的RL优化4.3 执行中编辑In-execution Editing最灵活的形式将结构变化作为运行时动作DyFlow: 设计师与执行器交替基于中间反馈修订子目标AgentConductor: 生成YAML拓扑→执行→基于有效性/成本反馈重新生成拓扑MetaGen: 基于矛盾、失败和成本信号训练免费地演化角色和拓扑EvoFlow: 维护多样化工作流种群在线进化反馈信号与更新机制不同方法使用不同的反馈信号指导结构优化关键洞见: 信号类型决定了安全的动作粒度。强验证器支持激进的图变异文本反馈适合提出修改建议但需外部验证器确认。评估与报告结构作为一等公民论文指出当前文献常将工作流结构视为实现细节而非评估对象提出了结构感知评估框架Table 4: 工作流优化研究中的代表性评估资源6.1 最小报告协议论文提出了工作流优化论文应遵循的最小报告标准Table 5: 建议的最小报告协议核心要求:工作流表示: 代码/DSL/图IR/模式约束结构设置: 静态vs动态GDT/GPM可编辑动作图级指标: 节点数、深度、宽度、通信量、编辑次数、结构方差鲁棒性测试: 复述不变性、工具故障注入、API漂移、严格预算限制成本指标: 每次成功的成本cost-per-success比原始成本更具信息量设计权衡与实践指南基于对77篇文献的综述论文提供了实用的设计决策框架7.1 何时静态足够当满足三个条件时静态优化通常足够算子空间足够受限可搜索评估器足够可信能区分候选方案部署工作负载足够重复值得优化可复用模板适用场景: API稳定的代码生成、具有强外部工具链的硬件生成。7.2 动态方法的选择谱系根据任务异构性选择动态程度选择/剪枝: 当实例主要差异在难度、通信预算或所需模型强度时执行前生成: 当不同查询需要真正不同的分解、通信模式或算子序列时执行中编辑: 当环境交互性强部分执行 reveals 单次计划无法预知的信息时如工具故障恢复7.3 实用混合配方Table 8: 背景框架、脚手架和强基线建议流程:从约束静态脚手架或小算子库开始建立基线只有当轨迹分析揭示结构性失效模式而非纯局部指令错误时添加图级搜索在异构部署条件下优先使用运行时选择/剪枝而非完整工作流生成仅在环境不确定性高的场景中保留执行中编辑找到有效设计后通过静态稀疏化或运行时剪枝压缩通信学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】