Resumen: Los modelos de lenguajes grandes (LLM) han mostrado un gran potencial en la automatización del diseño de flujos de trabajo agentes. Sin embargo, los métodos existentes todavía dependen en gran medida de operadores predefinidos manualmente, lo que limita la generalización y la escalabilidad. Para abordar este problema, proponemos $A^2Flow$, un marco totalmente automatizado para la generación de flujos de trabajo agentes basados en operadores de abstracción autoadaptativos. $A^2Flow$ emplea un proceso de extracción de operadores de tres etapas: 1) Generación inicial de operadores basada en casos: aprovechando demostraciones de expertos y razonamiento LLM para generar operadores específicos de casos; 2) Agrupación de operadores y abstracción preliminar: agrupar operadores similares en tareas para formar abstracciones preliminares; y 3) Extracción profunda para operadores de ejecución abstractos: aplicar indicaciones de una larga cadena de pensamiento y razonamiento de múltiples rutas para derivar operadores de ejecución compactos y generalizables. Estos operadores sirven como bloques de construcción reutilizables para la construcción del flujo de trabajo sin predefinición manual. Además, mejoramos la búsqueda de flujo de trabajo a nivel de nodo con un mecanismo de memoria del operador, que conserva resultados históricos para enriquecer el contexto y mejorar la toma de decisiones. Los experimentos con benchmarks generales e incorporados muestran que $A^2Flow$ logra una mejora media del rendimiento del 2,4% y del 19,3% y reduce el uso de recursos en un 37% con respecto a las bases de referencia más modernas. Página principal:esta URL https
Publicado originalmente en export.arxiv.org el 26 de noviembre de 2025.
Ver fuente original
