arXiv cs.AI· Xavier Cadet, Junyan Cheng, Peter Chin, Kyle Richardson·· 11 小时前AI 评分38
挖掘多智能体工作流的设计空间：从被丢弃的搜索轨迹中提炼设计原则
Mining the Design Space of Multi-Agent Workflows
AI 导读
研究者提出两阶段流水线，复用 AFlow 的 MCTS 优化器在 6 个可组合算子和 26 个 Enigmata 任务上构建了 28,568 个可执行工作流的语料库，再通过沙箱化 AutoResearch 循环挖掘编排代码与提示词模板。
正文 · AI 翻译
摘要：设计大语言模型（LLM）多智能体系统（MAS）仍依赖试错和非正式的“民间经验”。人工研究仅测试少数通信结构或拓扑（例如顺序、并行、共享内存或辩论），而自动优化器在选定特定任务的工作流后便丢弃搜索轨迹。我们提出一个两阶段流水线，从工作流代码和执行轨迹中挖掘可复现的设计原则。我们复用 AFlow 的 MCTS 优化器，覆盖六个可组合算子和 26 个经确定性验证的 Enigmata 任务，保留所有中间轮次以构建包含 28,568 个可执行工作流的语料库。随后，一个沙箱化的 AutoResearch 循环在 $L_0$ 惩罚验证目标下挖掘编排代码和提示模板，并在留出搜索上测试候选原则。在 300 次特征挖掘试验中，我们识别出在留出搜索上持续成立、跨越工作流设计三个层次的影响：以独立求解器和一次性聚合开头的工作流（Star-first）表现更差（$\Delta = -0.045$）；持久共享文档（SharedMemory）优于辩论（$\Delta = +0.135$）；提示具体性和基于占位符的上下文路由带来的增益与通信结构选择相当（$\Delta = +0.118$）。更广泛地说，我们的流水线和结果表明，将丢弃的搜索轨迹转化为用于发现和验证多智能体工作流设计原则的统计测试平台是可行的。
| 评论： | 21 页，含附录。同等贡献：Xavier Cadet 和 Junyan Cheng。网站：此 https URL |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.31709 [cs.SE] |
| （或 arXiv:2610.31709v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31709 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Junyan Cheng [查看电子邮件]
[v1]
2026 年 10 月 22 日星期四 00:31:39 UTC（789 KB）
来源：arXiv cs.AI · arxiv.org