使用工具的 LLM 代理的完整循环子任务图：长期工作流程中的灵活性、成本和瓶颈

使用长期工具的任务有时会受益于重新访问早期的子任务，但显式重新访问也会增加路由、协调和词元成本。我们研究了 大语言模型 (LLM) 代理的完整循环子任务图：一个工作流控制器，其中可执行子任务完全连接，并且统一的状态分析和路由代理根据自然语言标准选择转换。我们根据 ReAct 和依赖项导向的工作流程评估 TextCraft、ALFWorld 和 Finance-Agent 上的特定任务 (Spec-Cyc) 和基准通用 (Gen-Cyc) 循环图。我们主要的依赖项导向控制器是 DepDAG，它允许相同的子任务重试，同时保留前向依赖项约束。评估的案例研究提出了三个工作流程签名，而不是通用架构排名。 TextCraft 的行为类似于先决条件链设置，其中循环路由通常会增加开销。 ALFWorld 的行为就像一个部分可观察的恢复环境，其中明确的重访可以提高探索和成功。 Finance-Agent 的行为就像一个开放式的证据合成环境，如果没有更强大的检索、基础和验证机制，仅靠工作流程控制是不够的。我们添加了合格的工作流程签名矩阵、故障注入鲁棒性分析、词元成本核算、图形稳定性报告、DepDAG 的转换审计检查以及用于轨迹分析的故障模式结构。总的来说，完整的循环子任务图最好理解为一种诊断工作流控制工具：它们揭示了何时灵活的回溯值得其成本，何时更简单、本地重试或稀疏控制器更可取。