InFlowOp 提出无标注多智能体工作流优化,最高提升 11.97%
Xuehang Guo · hf · 2026-10-02
核心问题
LLM 构建的多智能体工作流中,任务拆分粒度、子任务分配与何时新建专家 agent 都是事前决策,成败只有运行后才知道;而现有改进手段依赖参考答案、评分器或整体重跑,成本高昂。
方法
- InFlowOp:为工作流中的每个决策定义一个无标注成本函数,衡量 agent 能力与子任务需求的匹配度相对其运行开销,拆分粒度与 agent 分配由成本双向驱动而非固定模板。
- 运行中以同一成本执行「最便宜的修复」,无需重新执行、重新搜索或重训练。
评测
- 发布 Braid 基准:任务需要超越单 agent 能力的多智能体协调。
- 跨领域与多种骨干模型上,InFlowOp 最高超过单 agent 基线 +11.97%,带运行中优化时提升 +9.64%。
项目页:xhguo7.github.io/InFlowOp/
「编程与Agent」频道最新
- 开发者抱怨 Claude 与 Claude Code 越用越差，质量下滑引共鸣 — Pavan_Belagatti · 2026-10-02
- 程序员给 Claude Code 加上 Reels 刷视频,边刷边等 agent 干活 — yoimnotkesku · 2026-10-02
- 订机票是 2 分钟手打还是听 agent 磨 10 分钟？开发者质疑语音 agent 体验 — jxnlco · 2026-10-02
- 深度拆解 llama.cpp：模型加载层如何在多架构间划出安全边界 — Mahmoud_Zalt · 2026-10-02
- Argo-Bench：235 表企业级仓库考数据 agent，最强模型仅 34.8% 任务达标 — textql · 2026-10-02
- Flexport 推出 MCP,AI 助手可订舱发货并合规清关 — ycombinator · 2026-10-02