在选择器不完美与计算成本约束下设计智能体工作流组合

智能体AI系统常以推理策略、验证结构和计算成本不同的工作流处理同一任务。自然的部署策略是选平均表现最好的流程，但不同流程可能在不同实例上成功，因此这可能次优。我们研究组合与选择器范式：企业运行多个工作流，在观察输出后选择最终答案。额外运行可能找到最佳独立流程遗漏的正确答案，却消耗计算并引入看似可信的干扰项，使最终选择更难。我们将其建模为工作流组合问题，联合决定运行规模和各类流程分配。我们用胜算提升指数概括选择器质量，推导流程多样性价值的紧界。对于有限流程池，我们提出精确模型、线性规划松弛、随机舍入程序和可计算性能证明。对于大型隐式工作流类，我们推导有限维对偶和使用定价预言机的椭球方法，识别扣除持续计算成本后加权准确率高的流程。在一个弱条件下，该方法用多项式次数预言机调用获得近似最优松弛解。我们在ABCD、Schema-Guided Dialogue和HotpotQA上评估，相比最佳独立流程，组合优化分别使留出选择器准确率提高3.1、7.5和0.9个百分点。对偶引导的流程生成在ABCD上再增3.5点，在HotpotQA上增24.1点，在Schema-Guided Dialogue上没有额外收益。