新上线今天0 投票
FlowScout：从执行反馈到可靠的工具使用代理工作流
近年来，基于大语言模型（LLM）的智能体工作流（Agentic Workflows）逐渐成为构建可靠自动化系统的关键抽象。然而，设计高质量的工作流仍然高度依赖人工经验和领域知识，这成为该技术大规模落地的瓶颈。针对这一问题，复旦大学的研究团队提出了FlowScout，一种从历史任务记录中自动生成工具集成型代理工作流的执行引导框架。相关论文已提交至arXiv（编号：2608.10039）。
现有方法的局限
目前，已有研究尝试从历史任务解决记录中自动生成代理工作流，但这些方法主要生成以LLM为中心的工作流，即真实工具的执行被抽象并由LLM节点模拟。这种方式虽然降低了建模难度，却导致生成的工作流在实际运行中稳定性和可用性不足。工具调用的真实反馈缺失，使得工作流难以适应真实环境中的不确定性和错误。
FlowScout的核心设计
FlowScout将代理工作流表示为有向图，包含LLM节点、工具调用节点以及依赖边。其构建过程分为两个阶段：
- 初始骨架挖掘：从历史记录中提取常见的工具协调模式，构建初始工作流。
- 拓扑优化：基于蒙特卡洛树搜索（MCTS），利用执行反馈不断调整工作流拓扑，以提升整体性能。
这种设计使得生成的流程不仅包含LLM的决策，还真实地集成了工具调用，从而更贴近实际应用场景。
实验结果：显著提升
研究团队在四个代表性任务域上对比了FlowScout与三个基线方法（PM4Py、ReAct和AFlow）。实验结果显示：
- 工具调用正确性提升至少92.69%；
- 执行质量提升至少17.66%；
- 多次运行之间的性能波动也更低，说明FlowScout生成的流程具有更好的稳定性。
这些数据表明，FlowScout在生成可靠、稳定的工具使用流程方面具有显著优势。
意义与展望
FlowScout的提出，为自动构建高质量代理工作流提供了一条新路径。它通过引入执行反馈机制，弥补了以往方法中工具执行被抽象化的缺陷，使得生成的工作流更贴近实际部署需求。未来，该方法有望在RPA、智能客服、数据分析等需要复杂工具调用的场景中发挥重要作用。不过，论文目前尚未公开代码，实际应用效果仍需进一步验证。