论文页面 - FlowEvo：通过工作流与可执行技能的协同进化实现智能体自我进化

来源：https://huggingface.co/papers/2607.21596 发布于 8月20日

·

提交者：https://huggingface.co/LeoYML

Leo Y (https://huggingface.co/LeoYML) 于 8月21日

摘要

FlowEvo 使得大语言模型智能体能够在推理过程中协同进化可复用技能与工作流，从而在各类基准测试中提升准确率与效率。

大语言模型智能体可以通过在推理时构建工作流来适应复杂任务，但某一进程中发现的程序通常在执行后即被丢弃。现有的技能库（https://huggingface.co/papers?q=skill%20libraries）提供了可复用的可执行例程，但通常是在离线组装，并且不会从智能体自身的工作流中增长。我们提出了 FlowEvo（https://huggingface.co/papers?q=FlowEvo），一个无需训练的框架，其中工作流与技能在推理时协同进化。FlowEvo（https://huggingface.co/papers?q=FlowEvo）将成功的工作流编译为可调用的技能，存储在一个持久库中，并通过直接执行或作为构建新工作流的上下文来使用检索到的技能。它还跟踪每个技能的下游效用，并抑制导致负迁移（https://huggingface.co/papers?q=negative%20transfer）的技能。使用共享的 GPT-4o-mini 主干，FlowEvo（https://huggingface.co/papers?q=FlowEvo）在 ALFWorld、HumanEval、MBPP、GSM8K 和 MATH-500 的完整标准划分上，在 8 个基线中取得了最高准确率。在 ALFWorld 上，它达到了 85.6%，比最强基线高出 26.4 个点，同时使用的大约只有其三分之一的 token 数。在涵盖从 70 亿到 6710 亿参数的 10 个基础模型上，FlowEvo（https://huggingface.co/papers?q=FlowEvo）在 50 个模型-数据集比较中有 49 个超越了 ExpeL。代码可在 https://github.com/DEFENSE-SEU/FlowEvo 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2607.21596) 查看 PDF (https://arxiv.org/pdf/2607.21596) GitHub 仓库 (https://github.com/DEFENSE-SEU/FlowEvo) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2607.21596)

通过你的智能体获取本文：

hf papers read 2607.21596

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

引用本文的模型

0

暂无模型链接本文

在模型的 README.md 中引用 arxiv.org/abs/2607.21596 以将其链接到此页面。

引用本文的数据集

0

暂无数据集链接本文

在数据集的 README.md 中引用 arxiv.org/abs/2607.21596 以将其链接到此页面。

引用本文的 Space

0

暂无 Space 链接本文

在 Space 的 README.md 中引用 arxiv.org/abs/2607.21596 以将其链接到此页面。

包含本文的收藏夹

0

暂无收藏夹包含本文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以将其链接到此页面。