FlowBank：通过预计算与复用实现查询自适应的智能体工作流优化

针对现有大模型多智能体系统在工作流优化中面临的离线计算浪费或在线推理成本过高的问题，本文提出 FlowBank 框架。该方法摒弃寻找单一最优工作流或逐查询生成的范式，转而构建一个紧凑且互补的可复用工作流库。通过三阶段策略：生成多样化候选以覆盖不同查询子集，筛选压缩以减少冗余，以及基于效用预测将查询自适应路由至最佳工作流。实验表明，FlowBank 在五个基准测试中均取得最高平均分，显著优于自动化及手工基线，同时保持了具有竞争力的成本效益。