# InFlowOp

该工作提出 InFlowOp，用一套无需标签的成本（智能体能力与子任务需求的匹配程度，对比该智能体的运行开销）在执行前双向决定任务分解粒度与智能体分配、在执行中定位并就地修复故障，并配套提出要求多智能体协作的 Braid 基准，在八个领域、六个骨干模型上相对单智能体基线最高提升 11.97%，其中在流内优化带来 9.64%。

该工作提出 InFlowOp，用一套无需标签的成本（智能体能力与子任务需求的匹配程度，对比该智能体的运行开销）在执行前双向决定任务分解粒度与智能体分配、在执行中定位并就地修复故障，并配套提出要求多智能体协作的 Braid 基准，在八个领域、六个骨干模型上相对单智能体基线最高提升 11.97%，其中在流内优化带来 9.64%。