WorkflowGen：轨迹经验驱动的自适应工作流生成机制

大语言模型 (LLM) 代理通常会遭受推理开销高、词元消耗过多、执行不稳定以及无法在业务查询、工具使用和工作流编排等复杂任务中重用过去经验的困扰。传统方法为每个查询从头开始生成工作流，导致成本高、响应慢、鲁棒性差。我们提出了 WorkflowGen，这是一种自适应、轨迹经验驱动的框架，用于自动工作流程生成，可减少词元使用并提高效率和成功率。在执行早期，WorkflowGen 捕获完整的轨迹并提取节点和工作流级别的可重用知识，包括错误指纹、最佳工具映射、参数模式、执行路径和异常避免策略。然后，它采用闭环机制，通过轨迹重写、经验更新和模板归纳，仅在变量节点上执行轻量级生成。三层自适应路由策略在直接重用、基于重写的生成和基于与历史查询的语义相似性的完全初始化之间进行动态选择。在没有大型注释数据集的情况下，我们将 WorkflowGen 与实时规划、静态单轨迹和基本的上下文学习基线进行定性比较。与实时规划相比，我们的方法减少了 40% 以上的词元消耗，通过主动避免错误和自适应回退，将中等相似度查询的成功率提高了 20%，并通过模块化、可追溯的体验和跨场景适应性增强了可部署性。 WorkflowGen 实现了效率、稳健性和可解释性的实际平衡，解决了现有方法的主要局限性。