一篇大模型Agents工作流优化最新综述

过去，人们总希望一个LLM直接把任务做完；现在，一个更现实的方向正在浮现——针对不同任务设计不同工作流，并让系统在执行前、执行中乃至执行后持续优化这条链路。

近日，Rensselaer Polytechnic Institute（RPI）与IBM Research联合发布 Workflow Optimization for LLM Agents最新综述，系统讨论了一个正在受到越来越多关注的方向：**如何为LLM Agents自动设计、选择、生成、修改并评估工作流结构。

Figure 1: 工作流优化概览图，展示从静态优化到动态适应的完整谱系

上图展示了论文的核心框架：Agentic Computation Graph (ACG) 作为统一抽象，涵盖从静态模板优化到动态运行时适应的全谱系方法。

2. 核心概念：三个关键对象与分类维度

---

上表清晰定位了本综述与现有工作（如规划、工具学习、多智能体协作等综述）的区别：本文将工作流结构本身作为主要优化对象，而非仅关注代理能力或应用场景。

Table 1: 本综述与相关综述的定位对比

论文提出了区分工作流优化的三个核心对象：

2.1 三个关键对象

1. ACG Template (Ḡ): 可复用的可执行规范，包含节点、边、参数、调度策略和可编辑动作
2. Realized Graph (G_run): 特定运行实际使用的工作流结构（可能是模板的实例化或子图）
3. Execution Trace (τ): 执行过程中产生的状态、动作、观察和成本序列

2.2 分类维度：GDT与GPM

论文提出了两个轻量级描述符来分类方法：

• Graph Determination Time (GDT): 结构决定的时间点

• offline: 部署前优化可复用模板
• pre-execution: 执行前生成特定运行的图
• in-execution: 执行过程中动态修改结构

• Graph Plasticity Mode (GPM): 推理时结构可变性

• none: 结构固定
• select: 从固定超图中选择子图
• generate: 执行前生成新结构
• edit: 执行中添加、删除或重连结构

3. 静态工作流优化：离线模板搜索

---

静态方法在部署前优化可复用的工作流模板，优点是易于检查、约束和基准测试，缺点是面对分布偏移时可能显得僵化。

Table 2: 代表性核心静态工作流优化方法对比

3.1 离线模板搜索

代表性方法通过搜索离散设计空间发现优质模板：

关键方法:

• AFlow: 使用MCTS搜索类型化算子图，结合LLM引导扩展与可执行评估
• ADAS: 在代码空间搜索，元代理提出可运行的代理系统并迭代改进
• VFlow: 结合硬件验证器的多层级验证（语法、功能正确性、可综合性）
• Maestro: 交替进行图编辑与节点配置更新，支持数字分数和反思文本反馈

3.2 节点级优化

在固定脚手架内优化局部组件：

• DSPy: 将LLM管道视为模块组合，编译优化提示和示例
• OPRO/EvoPrompt/CAPO: 使用进化算法或LLM作为优化器搜索最佳提示
• Optima: 生成、排序、选择多智能体交互轨迹以优化协作效率

3.3 可验证性设计

静态优化特别适合集成验证：

• MermaidFlow: 使用结构化Mermaid中间表示，结合静态有效性检查
• VFlow: 将多层级验证（语法、功能、硬件约束）集成到搜索循环中

4. 动态工作流优化：运行时适应

---

动态方法在推理时确定部分工作流结构，适用于任务异构性强、需要自适应的场景。

Table 3: 代表性核心动态工作流优化方法对比

4.1 选择与剪枝（Select/Prune）

最轻量的动态形式：保持超图固定，运行时决定激活哪些部分：

• Adaptive Graph Pruning: 学习任务和代理嵌入，剪枝通信边和代理
• DAGP: 基于估计的查询难度进行难度感知的图剪枝
• AgentDropout: 动态消除冗余代理和通信链接以优化token效率

4.2 执行前生成（Pre-execution Generation）

针对特定输入生成工作流结构：

• Assemble Your Crew: 自回归采样角色和边，生成查询条件化的DAG
• G-Designer: 使用变分图自编码器学习图生成器
• FlowReasoner: 使用RL训练查询级元代理，从算子库生成工作流
• Workflow-R1: 将工作流构建重塑为多轮决策过程，使用分组think-act序列的RL优化

4.3 执行中编辑（In-execution Editing）

最灵活的形式：将结构变化作为运行时动作：

• DyFlow: 设计师与执行器交替，基于中间反馈修订子目标
• AgentConductor: 生成YAML拓扑→执行→基于有效性/成本反馈重新生成拓扑
• MetaGen: 基于矛盾、失败和成本信号训练免费地演化角色和拓扑
• EvoFlow: 维护多样化工作流种群，在线进化

5. 反馈信号与更新机制

---

不同方法使用不同的反馈信号指导结构优化：

关键洞见: 信号类型决定了安全的动作粒度。强验证器支持激进的图变异，文本反馈适合提出修改建议但需外部验证器确认。

6. 评估与报告：结构作为一等公民

---

论文指出当前文献常将工作流结构视为实现细节而非评估对象，提出了结构感知评估框架：

Table 4: 工作流优化研究中的代表性评估资源

6.1 最小报告协议

论文提出了工作流优化论文应遵循的最小报告标准：

Table 5: 建议的最小报告协议

核心要求:

• 工作流表示: 代码/DSL/图IR/模式约束
• 结构设置: 静态vs动态，GDT/GPM，可编辑动作
• 图级指标: 节点数、深度、宽度、通信量、编辑次数、结构方差
• 鲁棒性测试: 复述不变性、工具故障注入、API漂移、严格预算限制
• 成本指标: 每次成功的成本（cost-per-success）比原始成本更具信息量

7. 设计权衡与实践指南

---

基于对77篇文献的综述，论文提供了实用的设计决策框架：

7.1 何时静态足够？

当满足三个条件时，静态优化通常足够：

1. 算子空间足够受限，可搜索
2. 评估器足够可信，能区分候选方案
3. 部署工作负载足够重复，值得优化可复用模板

适用场景: API稳定的代码生成、具有强外部工具链的硬件生成。

7.2 动态方法的选择谱系

根据任务异构性选择动态程度：

1. 选择/剪枝: 当实例主要差异在难度、通信预算或所需模型强度时
2. 执行前生成: 当不同查询需要真正不同的分解、通信模式或算子序列时
3. 执行中编辑: 当环境交互性强，部分执行 reveals 单次计划无法预知的信息时（如工具故障恢复）

7.3 实用混合配方

Table 8: 背景框架、脚手架和强基线

建议流程:

1. 从约束静态脚手架或小算子库开始，建立基线
2. 只有当轨迹分析揭示结构性失效模式（而非纯局部指令错误）时，添加图级搜索
3. 在异构部署条件下，优先使用运行时选择/剪枝而非完整工作流生成
4. 仅在环境不确定性高的场景中保留执行中编辑
5. 找到有效设计后，通过静态稀疏化或运行时剪枝压缩通信

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】