大模型 Agent 工作流优化最新综述：从静态模板到动态运行时适应

本文综述了 RPI 与 IBM Research 关于 LLM Agent 工作流优化的最新研究，系统梳理了从静态模板搜索到动态运行时适应的优化谱系，并提供了实用的设计决策框架。

本文深入解读了 RPI 与 IBM Research 联合发布的关于 LLM Agent 工作流优化的综述论文。文章提出了 Agentic Computation Graph (ACG) 统一抽象，将工作流优化分为静态离线模板搜索与动态运行时适应两大类，并引入 GDT（结构决定时间）与 GPM（结构可变性）两个维度进行分类。文中详细介绍了从简单的节点级优化到复杂的执行中编辑等多种技术路径，并针对开发者提出了明确的实践指南：在任务异构性较低时优先选择静态优化，而在环境不确定性高时采用动态调整。此外，文章还提出了工作流研究的最小报告协议，强调将工作流结构作为评估的一等公民。

- 引入 Agentic Computation Graph (ACG) 作为统一抽象，将工作流结构本身作为核心优化对象。 区别于以往仅关注 Agent 能力或应用场景的研究，本文将工作流的节点、边、调度策略视为可优化的对象，涵盖了从静态模板到动态适应的全谱系。

- 针对不同任务设计不同工作流，并让系统在执行前、执行中乃至执行后持续优化这条链路。

• 本文将工作流结构本身作为主要优化对象，而非仅关注代理能力或应用场景。
• 只有当轨迹分析揭示结构性失效模式（而非纯局部指令错误）时，添加图级搜索。

AI 评分：87

来源：PaperAgent

作者：PaperAgent

分类：人工智能

语言：中文

阅读时间：10 分钟

字数：2491

标签： LLM Agents, 工作流优化, Agentic Computation Graph, AI 工程, 综述

阅读完整文章