摘要
现有的智能体工作流优化方法通常在执行前确定固定结构,无法利用无标签的执行质量信号进行运行时自适应。为此,本文提出GRAFT方法,在保留全局优化工作流的同时,针对每个输入局部替换选定的工作流区域。该方法无需参数训练,仅通过评估局部替代方案并保留全局一致性来实现实例级自适应。实验表明,GRAFT在数学推理、代码生成等任务上显著优于现有方法,证明优化后的工作流可作为随反馈和更强执行器演进的适应性执行策略。
AI 推荐理由
论文核心聚焦于智能体工作流(即规划)的优化与推理时动态调整,直接解决任务分解与执行策略问题。
研究机构
HBNU
UCSB
SKKU
UNIST
论文信息