学习组合以生成跨领域智能体工作流

自动生成功能性智能体工作流——可执行的操作符图或代码，用于协调推理、验证和修复——已成为解决单次LLM生成无法可靠处理的复杂任务的一种实用方法。然而，一个好的工作流取决于任务分布和可用操作符。在领域迁移情况下，现有系统通常依赖迭代工作流优化来从大规模工作流空间中发现可行方案，这导致高迭代成本和不稳定、特定领域的行为。为此，我们将在开源LLM中内化一种分解-重组-决策机制，用于跨领域工作流生成。为分解，我们学习一组跨多个领域可复用的工作流能力；为重组，我们将每个输入任务映射到这些基础能力上的稀疏组合，从而在单次传递中生成任务特定的工作流；为决策，我们将工作流生成的成功或失败归因于所学能力的反事实贡献，从而捕捉哪些能力通过边际效应真正驱动了成功。在严格的多领域、跨领域和未见领域评估中，我们的单次生成器超越了需要20次迭代的最先进优化基线，同时显著降低了生成延迟和成本。