使用元工具优化Agentic工作流

Agentic AI使LLM能够动态推理、规划并与工具交互以解决复杂任务。然而，agentic工作流常需要大量迭代推理步骤与工具调用，导致可观的运营开销、端到端延迟以及因幻觉引发的失败。本工作提出智能体工作流优化（AWO），一个识别并优化冗余工具执行模式，以提升agentic工作流效率与鲁棒性的框架。AWO分析既有工作流轨迹，发现反复出现的工具调用序列，并将其转化为元工具（meta-tools）——把多个智能体动作打包为单次调用的确定性复合工具。元工具绕过不必要的中间LLM推理步骤，降低运营成本，同时缩短执行路径，减少失败。在两个agentic AI基准上的实验表明，AWO最多将LLM调用次数减少11.9%，同时将任务成功率提升最多4.2个百分点。