AgentXRay：通过工作流重构实现Agentic系统白盒化

大语言模型在复杂问题求解上展现出强大能力，但由于内部工作流不透明，许多Agentic系统仍难以解释与控制。尽管一些框架提供显式的协作架构，许多已部署的Agentic系统对用户而言仍以黑箱方式运行。为此，我们提出Agentic工作流重构（AWR）这一新任务，旨在仅利用输入输出访问，综合出一个显式、可解释的替身工作流来逼近黑箱系统。我们提出AgentXRay，一个基于搜索的框架，将AWR形式化为链式结构工作流空间中关于离散智能体角色与工具调用的组合优化问题。与模型蒸馏不同，AgentXRay产出可编辑的白盒工作流，在可观测的基于输出的代理指标下匹配目标输出，且无需访问模型参数。为在广阔搜索空间中导航，AgentXRay采用蒙特卡洛树搜索，并用基于评分的红黑剪枝（Red-Black Pruning）机制加以增强，该机制将代理质量与搜索深度动态结合。跨多领域的实验表明，与未剪枝搜索相比，AgentXRay取得更高的代理相似度并降低token消耗，在固定迭代预算下支持更深入的工作流探索。