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生成开始把执行时间当作目标：LAWA通过针对关键路径瓶颈的图编辑压缩总耗时，在七个基准上同时保持有竞争力的任务表现。
智能体工作流不再每次重造：先攒一个工作流池，再用上下文老虎机按题挑
智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。
DAGO 用上下文老虎机选择多父代工作流融合，在六个基准上把宏平均分从 80.3 提升到 81.7 并降低 11.2% 搜索开销
DAGO 把每个父代工作流组合建模为老虎机的一个臂，用代码与提示的预训练嵌入表示该臂，以对角 LinUCB 在预测子代质量与不确定性探索之间权衡，由 LLM 经摘要引导融合生成子代并以子代验证分作为奖励，在数学推理、代码生成与问答六个基准上取得所评估基线中最高的宏平均分，并在与 AFlow 相同的验证评估预算下把宏平均分从 80.3 提升到 81.7、把总搜索开销降低 11.2%。
InFlowOp 用一套无标签成本同时决定任务拆分与故障修复，在 Braid 上比单智能体最高提升 11.97%
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%。
已读完全部报道