论文页面 - Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization

来源：https://huggingface.co/papers/2610.01017

摘要

大语言模型（LLM）越来越多地构建多智能体工作流，将复杂任务分解为子任务，并从智能体池中指派专家智能体来完成各子任务。然而，如何构建一个良好的工作流仍然充满挑战：任务拆分的粒度应该多细、每个子任务应信任哪个智能体、何时创建新的专家智能体，都是工作流构建者需要事先确定的关键决策。因此，每个子任务能否成功，只有在工作流运行之后才会揭晓。

而改进工作流的成本很高：定位故障通常需要参考答案、评分结果或训练有素的评估器，并且修复措施需要通过重新执行、重新搜索或重新训练来应用到整个工作流上。

我们提出 InFlowOp，它用一个无标签（label-free）的统一代价来对每一项决策进行定价，该代价权衡了一个智能体的能力与某项子任务需求的匹配程度，以及该智能体运行所需的开销。在执行之前，InFlowOp 双向确定任务分解的粒度和智能体的指派方式，这一过程由代价驱动，而非依赖固定模板。在执行过程中，InFlowOp 使用同一代价（该代价同时服务于工作流的构建与运行两个阶段）来选择代价最低的操作来纠正故障。

针对工作流级别的评估挑战，我们提出了 Braid 这一基准测试，其任务需要超越单一智能体能力的多智能体协作。在不同领域和多种骨干模型上，InFlowOp 相比单智能体基线最高提升 +11.97%，在流内优化（in-flow optimization）上达到 +9.64%。

项目主页：https://xhguo7.github.io/InFlowOp/

查看 arXiv 页面（https://arxiv.org/abs/2610.01017）查看 PDF（https://arxiv.org/pdf/2610.01017）加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2610.01017）

在你的 agent 中获取这篇论文：

hf papers read 2610.01017

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

没有模型链接到本文

在模型 README.md 中引用 arxiv.org/abs/2610.01017，即可从此页面链接到该模型。

引用本文的数据集 0

没有数据集链接到本文

在数据集 README.md 中引用 arxiv.org/abs/2610.01017，即可从此页面链接到该数据集。

引用本文的 Spaces 0

没有 Space 链接到本文

在 Space README.md 中引用 arxiv.org/abs/2610.01017，即可从此页面链接到该 Space。

包含本文的合集 0

没有合集包含本文

将本文加入合集（https://huggingface.co/new-collection），即可从此页面链接到该合集。