FLOW翻译
FLOW：模块化智能体工作流自动化
摘要
大型语言模型（LLM）驱动的多智能体框架在自动规划与任务执行方面已取得显著成功。然而，如何在执行过程中有效调整智能体工作流仍缺乏深入研究。在现实场景中，初始计划必须实时应对不可预见的挑战和变化条件，才能确保复杂任务的高效完成，因此工作流的动态调整至关重要。本文将工作流定义为“顶点活动图”（AOV），允许 LLM 智能体基于历史性能与先前 AOV 持续优化子任务分配，从而实现工作流的不断精炼。为进一步提升框架性能，我们从并行度和依赖复杂度两个维度强调工作流设计的模块化。凭借该设计，所提出的多智能体框架能够高效并发执行子任务、有效达成目标，并增强容错能力。在多种实际任务上的实验结果表明，通过动态工作流精炼与模块化，多智能体框架的效率获得了显著提升。代码已开源：https://github.com/tmllab/2025_ICLR_FLOW。
作者团队
Boye Niu¹, Yiliao Song², Kai Lian¹, Yifan Shen⁴, Yu Yao¹, Kun Zhang³,⁴, Tongliang Liu¹,⁴†
¹悉尼大学悉尼人工智能中心
²阿德莱德大学
³卡内基梅隆大学
⁴穆罕默德·本·扎耶德人工智能大学
†通讯作者：Tongliang Liu (tongliang.liu@sydney.edu.au)
会议/期刊
ICLR 2025（International Conference on Learning Representations，2025 年第十三届国际学习表征会议）
发表日期
会议正式出版年份为 2025 年（ICLR 2025 将于 2025 年 4-5 月召开）。
1 引言
大型语言模型（LLMs）（Significant Gravitas；Zhou 等，2023）在理解和生成类人文本方面表现出卓越能力。最新进展进一步显著提升了其模拟人类推理的潜力（Sun 等，2024），为基于 LLM 的推理开辟了光明前景。凭借处理各种自然语言处理任务的强大能力，这些模型支撑着从对话智能体（Ye 等，2024）、内容创作工具（Yao 等，2023）到高级分析与决策系统（Ramesh 等，2021；Wang 等，2023）等广泛应用。在这一基础上，一个关键进展是 LLM 赋能的多智能体框架的兴起（Liu 等，2023；Li 等，2023；Hong 等，2024b；Wu 等，2024；Wang 等，2024；Chen 等，2024；Liu 等，2024），其中多个基于 LLM 的智能体协同合作，利用其集体推理与规划能力，自动化并优化任务执行过程。
现有的基于 LLM 的多智能体框架通常将语言模型本身定义为智能体，这些智能体通过人工设计或由 LLM 生成的提示相互协作。具体而言：
-
MetaGPT 专注于编程任务，借鉴标准化操作流程（SOPs）（Wooldridge & Jennings, 1998；DeMarco & Lister, 2013；Belbin, 2010）。它预先定义了明确的角色，如产品经理、项目经理和工程师。每个角色对应初始化一个 LLM 智能体，这些智能体在一个严格且顺序化的工作流中协同执行子任务。
-
CAMEL 能够完成多种类型的任务，要求用户预先定义两个智能体。这两个智能体以顺序方式交互并执行任务，各自承担特定的职责。
-
AutoGen 同样旨在完成多样化任务。与 CAMEL 不同的是，AutoGen 会根据子任务需求自动生成具有不同角色的智能体列表，这些智能体按照列表顺序依次执行子任务。
在继承现有多智能体框架优势的基础上，我们的研究致力于进一步提升通用多智能体框架的能力：一方面在任务执行过程中实现工作流的动态更新，另一方面在工作流规划阶段强化其模块化设计。
6 结论
我们提出了 Flow，一种全新的基于大型语言模型的多智能体框架，能够在通用任务执行过程中动态适应不可预见的挑战。通过利用== AOV 图动态更新智能体工作流==，该框架在很大程度上满足了完成复杂任务所需的模块化要求。我们通过对网站设计、游戏开发以及 LaTeX Beamer 幻灯片编写等一系列实验的案例研究展示了该方法。借助客观的评估指标与人类反馈，我们发现 Flow 显著提升了执行效率，具备更好的容错能力，并在整体性能上表现更为出色。