学习组合以进行跨领域代理工作流生成

自动生成功能代理的工作流——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。在领域转移情况下，当前系统通常依赖于迭代工作流优化，从大量工作流空间中发现可行方案，导致高迭代成本和不稳定、领域特定的行为。为此，我们将一种分解-重组-决策机制内化到开源LLM中，用于跨领域工作流生成。为了分解，我们学习一组跨多个领域的可重用工作流能力；为了重组，我们将每个输入任务映射到这些基础之上的稀疏组合，从而在单次传递中生成特定任务的工作流；为了决策，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，同时显著减少了生成延迟和成本。