多智能体工作流不再只追任务分数：LAWA按关键路径改图，七个基准上压缩执行时间

多智能体工作流的自动学习多了一个优化目标：在保留下游任务表现的同时压缩一次完整执行的总耗时，也就是makespan。 此前的自动方法只优化下游表现，不把执行时间计入目标；当同一工作流被反复查询复用时，智能体调用带来的延迟会随时间累积。 在七个基准上的结果显示，总耗时明显下降，同时任务表现保持有竞争力。

做法是把工作流看成一张图，直接修改图结构来削掉关键路径上的瓶颈。 LAWA把图生成器与这套图编辑过程统一起来，因此既能从零生成工作流，也能细化已有的工作流。 这套图编辑以理论依据定位关键路径瓶颈，并在七个基准上验证了生成与细化两种用法。

报道范围限于摘要层面，未读到完整论文。工作面向反复查询的多智能体工作流，例如AI客服与AI云排障，目标是在保留下游表现的同时压缩makespan；LAWA同时支持从零生成与细化已有工作流。

材料把延迟归因于模型推理时间与服务拥塞，并指出复用会让延迟累积；摘要未给出各基准上的具体耗时数值与任务表现数值，也未说明图编辑在何种条件下会牺牲表现。