面向智能体工作流合成的拓扑与执行耦合分层搜索

尽管结构化工作流使大语言模型（LLM）能够处理复杂问题，但其自动化创建受到庞大组合搜索空间的严重制约，常常导致方案僵化并依赖资源密集的离线训练。为解决这一问题，我们将工作流生成概念化为拓扑与执行相互交织的搜索范式：较宏观的拓扑层决定子任务边界，而较低层的执行结果又主动重塑拓扑本身。在此基础上，我们提出HierFlow，一个免训练、测试时的分层搜索架构，它把反馈引导的拓扑调整与受MCTS启发的快速树搜索（用于子工作流优化）相结合，实现智能体工作流设计的自动化。HierFlow通过一个智能门控模块最大化效率，该模块根据上下文必要性选择性地触发执行层搜索；我们还通过深入分析为该机制提供支持，详细说明不同程度的跨任务耦合如何影响分层拆分的有效性。在问答、数学推理和代码生成基准上的全面测试证实，HierFlow持续优于强基线，在没有任何额外训练开销的情况下实现了高质量结果与计算效率之间的最优平衡。