WorkflowOps：学习 Agent 协作先验以编排工作流

多智能体系统越来越多地部署用于复杂的知识工作，但它们的编排层在很大程度上仍然是无记忆的：每个新任务都是从头开始分解、分配和执行的，没有从之前的成功执行中受益。我们推出了 WorkflowOps，这是一个多智能体工作流编排框架，它从历史工作流中学习智能体协作先验，并按需扩展其智能体池以满足新的功能需求。我们的方法引入了三种耦合机制。首先，转移概率矩阵从过去的工作流程中捕获成对的智能体协作频率，并通过层内排序优化、概率阈值边缘建议和并行性最大化的传递约简，将它们用作 DAG 工作流程构建期间的软指导。其次，充分驱动的智能体创建循环通过语义匹配分数检测能力差距，通过 LLM 生成专门的智能体，并同时将它们注入到协作矩阵中，以便新创建的智能体可以立即用于预测的协作先验。第三，分层语义匹配策略使用预训练的句子嵌入作为第一遍来进行快速、确定性的能力匹配，仅在低置信度情况下调用 LLM 验证，从而与纯 LLM 方法相比，将 LLM 路由调用减少 80% 以上。对混合代码、数学和问答套件的实验表明，与最近的工作流构建基线相比，WorkflowOps 提高了端到端通过率，其中在过去的智能体切换模式转移的结构化、可分解任务上获得了最大的收益。