Agent-UCT：面向成本感知智能体工作流优化的置信上界树算法

优化智能体工作流（如检索增强生成（RAG）流水线）需要在紧张的评估预算下遍历离散组件选择的组合空间。现有方法——启发式搜索、黑盒优化与标准树搜索——没有显式利用这些工作流的组合结构，导致冗余计算与低效的预算分配。我们提出Agent-UCT（Agent-based Cost-Aware Upper Confidence Bounds Applied to Trees），一种树搜索算法，利用由二部前缀复用图导出的复用感知正则项扩展UCT。Agent-UCT使选择偏向能复用已物化配置前缀的分支，在保持有效探索的同时减少冗余执行。我们的框架RAGSpace将来自LongRAG、LightRAG和Self-RAG的异构RAG组件统一到五维配置空间中，实现系统性的跨框架重组。WTB（Workflow Test Bench）提供确定性重放、内容寻址缓存与事务一致性，确保中间状态只物化一次并在整个搜索中复用。在HotpotQA与UltraDomain上的实验表明，Agent-UCT在所评估的固定框架预设中识别出样本外性能最高的配置。在全池评估下，二部前缀复用相对无前缀共享的成本上界将逻辑搜索成本降低73.6%。与全池评估相比，基于采样的评估进一步取得4.2倍的实际时钟加速。Agent-UCT、RAGSpace与WTB共同构成一个面向成本感知、可复现且组合高效的智能体工作流优化的统一框架。