dag

本文提出了一种面向多智能体系统的工作负载感知缓存逐出策略，该策略利用重新计算成本、DAG依赖计数和智能体调用频率来保留有价值的缓存条目，相比于无缓存基线最多可将延迟降低64.7%，相比于次优的有限容量方法平均可降低31.1%。

BatchDAG提出了一种系统，其中LLM生成具有类型的操作有向无环图，用于对企业数据进行可扩展的即席分析，实现了LLM调用次数减少高达47倍，并在超过50,000场会议中实现低于60秒的查询时间。

本文介绍了一种知识中心型框架，用于生成ComfyUI工作流，该框架从真实工作流中提炼层次化知识（伪代码、骨架、策略），并利用大语言模型（LLM）执行从任务描述到可执行结构的推理，实现了更高的节点多样性和执行成功率。

DataFlow-Harness 引入了一个平台，该平台引导LLM代理通过增量变更构建可编辑的基于DAG的数据管道，与脚本生成基线相比，实现了高通过率和降低成本。

一篇介绍原子任务图（ATG）的帖子，它是一种基于 DAG 的执行载体，通过将计划结构存储在图中而非线性文本中，让一个 8B 的小模型在复杂代理任务上超越 GPT-4，减少了上下文膨胀，并实现了局部故障恢复。

Marble Curriculum 是一个全面的开源数据集，涵盖1,590个小学概念，跨8个学科共3,221个连接，已发布用于构建学习路径和AI驱动的教育工具。

提出了一种有限样本方法，利用高阶累积量恢复含潜在混杂变量的线性非高斯无环模型中的最稀疏DAG，且不限制潜在变量的数量。

一位开发者用Rust为AI代理构建了一个确定性防火墙，运行时间低于5毫秒，使用计划、MCP列表和污点追踪来强制执行安全，避免幻觉和延迟问题。

一篇博文，解释 PyTorch FX 图，这是 PyTorch 2.0 编译生态系统中使用的一种中间表示。它涵盖了核心对象 Graph、Node 和 GraphModule，以及如何理解和使用它们。

介绍 ReasoningFlow，一个将大语言模型推理轨迹的篇章结构捕获为有向无环图的框架，从而能够细粒度分析推理行为（如自我反思和回溯）。基于对数千条轨迹的手动和自动标注，揭示了模型之间的结构相似性，并且大多数错误步骤并不贡献于最终答案。

Yacine进行了一次1.5小时的深度访谈，与Paradigma创始人讨论如何将DAG（有向无环图）作为自主科研的底层基础设施，涵盖Agent运行、大型公开DAG构建、避免坏DAG等核心主题。

访谈讨论了使用DAG进行自动研究的基础设施，包括智能体如何执行DAG以及如何构建大型公共DAG。

PACER 是一个新的可扩展框架，用于从大规模干预数据中进行因果发现，其设计保证了无环性，在包含数千个变量的基准测试中，比基于惩罚的方法实现了高达两个数量级的加速。

GraphBit是一种基于图的代理框架，采用Rust引擎实现确定性DAG编排，消除了幻觉和无限循环。在GAIA基准测试中，它达到了67.6%的准确率，且零框架诱导错误、低延迟。

SPIN 是一个规划包装器，确保结构有效的有向无环图（DAG）规划，并使用基于前缀的执行控制来减少工业 LLM 代理系统中的任务步骤和工具调用，从而提高规划的有效性和效率。