WorkflowLLM：从RPA到APA，用LLM自动生成智能体工作流

1. 由RPA到APA

流程自动化（Process Automation，PA）旨在让重复任务自动化，从而减少人力投入，提升效率。回溯到农业时代，人类就借助水车和牛来实现农业作业的自动化。

当前主流的 PA 技术——机器人流程自动化（Robotic Process Automation，RPA），通过协调各种动作（比如函数或 API），把重复任务抽象成工作流。虽然 RPA 借助自动工作流执行成功减轻了人力负担，但工作流的协调过程仍需大量人工操作。

LLM 的出现带来了范式转变的趋势，从机器人流程自动化（RPA）转向代理流程自动化（Agentic Process Automation，APA），利用 LLM 构建工作流，实现工作流协调过程的自动化。

然而，这一范式转变趋势受限于 LLM 协调复杂工作流的能力有限，进而导致当前 APA 方法存在两大局限性：

• • 动作规模受限：目前LLM 仅能协调动作数量有限的小规模工作流。即便是最先进的 OpenAI GPT-4，即便配备了先进的决策机制，能管理的工作流平均也只有 6.1 个动作，远不能满足现实需求的复杂程度。比如，Apple Shortcuts平均涉及 70.4 个动作。

• • 逻辑结构简单：目前，多数现有工作主要聚焦于生成顺序动作，但现实应用中的工作流通常包含复杂的逻辑结构，比如分支和循环。例如，Apple Shortcuts 平均有 2.6 个嵌套的分支/循环逻辑结构。所以，迫切需要释放 LLM 的工作流协调能力，以加快流程自动化的范式转变。

为应对这些挑战，本文作者提出工作流 LLM（WorkflowLLM）：一个以数据为中心的框架，涵盖数据集构建、模型训练和评估。

2. 什么是工作流LLM?

上图展示了工作流（WorkflowLLM）概览，通过一个三阶段管道构建工作流基准，再对工作流 Llama 进行微调，能够依据用户的查询生成工作流。

上图展示了Workflow LLM 以数据为核心的框架，借由构建高质量的监督微调数据集 Workflow Bench 来提升 LLM 在工作流编排上的能力。数据集的构建流程分为三个不同阶段开展：数据收集、查询拓展以及工作流生成。

2.1 数据收集（DATA COLLECTION）

通过抓取和筛选苹果快捷指令和 RoutineHub获得高质量数据，然后将快捷指令转成 Python 风格的工作流代码。受思维链（Chain-of-Thought）启发，让 ChatGPT 生成分层的想法，包括注释、任