arXiv cs.AI· Kushal Raj Bhandari, Ling Yue, Ching-Yun Ko, Dhaval Patel, Shaowu Pan, Pin-Yu Chen, Jianxi Gao·· 2 天前AI 评分32
EvoFlux：面向小型智能体的可执行工具工作流推理时进化
EvoFlux: Inference-Time Evolution of Executable Tool Workflows for Compact Agents
AI 导读
EvoFlux 是一种推理时搜索方法，通过对工具调用与依赖的结构化图进行进化循环来修复工具计划，并利用真实工具服务器的执行错误指导替换工具、修正参数、插入缺失步骤和删除冗余步骤。
正文 · AI 翻译
摘要：小型语言模型（1.5B-4B 参数）提供低成本、低延迟的工具使用，但常常生成看似合理却在执行时失败的计划，原因包括工具不可用、缺少参数或依赖关系断裂。我们提出 EvoFlux，一种推理时搜索方法，通过在工具调用与依赖关系的结构化图上进行进化循环来修复工具计划。EvoFlux 针对实时工具服务器执行候选计划，并利用执行错误引导有针对性的编辑，包括替换工具、修正参数、插入缺失步骤以及移除冗余步骤。在涵盖 28 个实时服务器和 250 个工具的留出 MCP-Bench 任务上，EvoFlux 在四个小型规划器上将执行成功率从约 3% 提升至 17-24%。在相同的 177 个演示和 624 个偏好对上训练的 SFT 和 SFT+DPO 与零样本基线持平或表现更差，而 ReAct 在更强的规划器上达到更高的峰值，但每个已解决任务的规划器 token 成本高出 4-20 倍。当监督有限时，执行引导的推理时修复能可靠地改进小型工具使用智能体。
| 评论： | 代码可在 此 https URL 获取 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.12674 [cs.AI] |
| （或 arXiv:2606.12674v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2606.12674 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kushal Raj Bhandari [查看电子邮件]
[v1]
2026年6月10日星期三 21:01:06 UTC（2,172 KB）
[v2]
2026年10月14日星期三 21:02:23 UTC（3,348 KB）
来源：arXiv cs.AI · arxiv.org