通过符号推理对代理工作流程进行诊断驱动的自动修复

平台编排的代理工作流程已成为开发基于 LLM 的应用程序的流行范例。然而，由于 LLM 输出的不确定性、复杂的节点间依赖关系和异构工具交互，它们的可靠性仍然是一个重大挑战。现有的代理工作流程优化和代理增强方法主要依赖于轨迹级反馈。如果没有明确识别潜在的故障根本原因，他们所制定的修复计划往往缺乏针对性。我们提出 FlowFixer，一种用于代理工作流程的诊断驱动的自动修复框架。 FlowFixer 首先将工作流程执行转换为统一的符号跟踪，并执行符号推理以导出可执行的行为规范，以捕获节点正确性、时间依赖性和因果关系。基于规范验证，进行故障归因和根本原因分析，然后生成有针对性的修复补丁。为了降低验证成本，FlowFixer还采用多维度的执行前评估，在动态验证之前过滤掉不可行的修复。我们根据从三个流行的开发平台（Dify、Coze 和 n8n）收集的工作流故障来评估 FlowFixer。结果显示，FlowFixer 的修复成功率为 71.3%，比最先进的基准高出 11.9% 至 27.6%。它还将故障归因准确率提高了 4.8% 至 33.1%，根本原因分析准确率提高了 15.3% 至 38.8%。这项工作通过符号建模和推理为代理工作流程的可靠诊断和修复提供了新的视角。