代理工作流程的全局优化和推理时间区域嫁接

代理工作流优化的最新进展通过特定于任务的工作流搜索或输入条件架构选择来自动化工作流设计。然而，它们在执行之前确定工作流程，并且无法使用执行时无标签质量信号来调整失败的工作流程区域。通过整个工作流程重新优化来天真地启用这种推理时间适应在计算上将是令人望而却步的。为了应对这一挑战，我们引入了 GRAFT，它保留了全局优化的工作流程，同时仅在本地替换每个输入的选定区域。在没有参数训练的情况下，Graft 使用无标签执行质量信号来评估区域级替代方案，并仅接受在保持工作流级一致性的同时提高本地质量的替代方案，从而实现实例级自适应，而无需重新优化整个工作流。 Graft 无需修改即可应用于一系列任务，包括数学推理、代码生成以及多跳和知识密集型问答。在匹配的优化器和执行器设置下，它比现有最强的工作流优化方法 MaAS 平均提高了 3.85 个点。仅用更强大的模型替换执行器可以产生进一步的收益，而无需重新优化全局工作流程。这表明优化的工作流程不仅仅是静态优化工件，而且是一种适应性强的执行策略，可以随着推理时间反馈和更强大的执行器而不断发展。