arXiv cs.AI· Qi Cheng, Shengyu Chen, Wei Cheng, Zhengzhang Chen, Xiaowei Jia, Haoyu Wang, Haifeng Chen·· 10 天前AI 评分31
WorkflowOps：为多智能体工作流编排学习智能体协作先验
WorkflowOps: Learning Agent Collaboration Priors for Multi-Agent Workflow Orchestration
AI 导读
WorkflowOps 是一个多智能体工作流编排框架，从历史工作流中学习智能体协作先验，并按需扩展智能体池以覆盖新能力需求。它通过转移概率矩阵在 DAG 构建中提供软引导，用充分性驱动的智能体创建循环检测能力缺口并生成专用智能体，还以分层语义匹配将 LLM 路由调用减少 80% 以上。在代码、数学与问答混合套件上，其端到端通过率优于近期工作流构建基线，在结构化可分解任务上提升最大。
正文 · AI 翻译
摘要：多智能体系统越来越多地被部署用于复杂的知识工作，但其编排层在很大程度上仍是无记忆的：每个新任务都从零开始分解、分配和执行，无法从以往成功的执行中获益。我们提出 WorkflowOps，一种多智能体工作流编排框架，它从历史工作流中学习智能体协作先验，并按需扩展其智能体池以覆盖新的能力需求。我们的方法引入了三种相互耦合的机制。第一，转移概率矩阵从过去的工作流中捕获成对智能体协作频率，并通过层内排序优化、概率阈值化边建议以及用于最大化并行性的传递约简，将其作为软引导应用于 DAG 工作流构建过程中。第二，充分性驱动的智能体创建循环通过语义匹配分数检测能力缺口，通过 LLM 生成专用智能体，并同时将其注入协作矩阵，从而使新创建的智能体能够立即与预测的协作先验一起使用。第三，分层语义匹配策略使用预训练句子嵌入进行快速、确定性的能力匹配作为第一遍，仅对低置信度情况调用 LLM 验证，从而与纯 LLM 方法相比将 LLM 路由调用减少 80\% 以上。在代码、数学和问答混合套件上的实验表明，WorkflowOps 相比近期的工作流构建基线提高了端到端通过率，在结构化、可分解且过去智能体交接模式可迁移的任务上提升最大。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.07860 [cs.AI] |
| （或此版本的 arXiv:2610.07860v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.07860 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qi Cheng [查看电子邮件]
[v1]
2026年10月6日星期二 07:01:38 UTC（77 KB）
来源：arXiv cs.AI · arxiv.org