AgentXRay：通过工作流重建实现智能体系统的白盒化

大型语言模型在复杂问题解决方面表现出强大能力，然而许多智能体系统由于内部工作流程不透明而难以解释和控制。尽管一些框架提供了显式的协作架构，但许多已部署的智能体系统对用户而言仍是黑箱。本文提出了一种新的任务——智能体工作流重建（AWR），旨在仅通过输入-输出访问来合成一个可解释的替代工作流以近似黑箱系统。我们提出了AgentXRay，这是一个基于搜索的框架，将AWR建模为离散智能体角色和工具调用的组合优化问题。与模型蒸馏不同，AgentXRay生成可编辑的白盒工作流，在可观测的输出基础上匹配目标输出，无需访问模型参数。为了应对庞大的搜索空间，AgentXRay采用增强的蒙特卡洛树搜索机制，并结合基于评分的红黑剪枝策略，动态整合代理质量与搜索深度。实验表明，AgentXRay在多个领域中实现了更高的代理相似性并减少了token消耗，从而在固定迭代预算下实现了更深入的工作流探索。