Resumen: Estudios recientes han demostrado que los flujos de trabajo cuidadosamente diseñados que coordinan los modelos de lenguaje grande (LLM) mejoran significativamente las capacidades de resolución de tareas en comparación con el uso de un solo modelo. Si bien un número creciente de obras se centra en la construcción de flujo de trabajo autónomo, la mayoría de los enfoques existentes dependen únicamente de la experiencia histórica, lo que lleva a limitaciones en la eficiencia y la adaptabilidad. Argumentamos que si bien la experiencia histórica es valiosa, la construcción del flujo de trabajo también debe responder de manera flexible a las características únicas de cada tarea. Con este fin, proponemos un marco dinámico a priori para la construcción automatizada de flujo de trabajo. Nuestro marco primero aprovecha el aprendizaje de Q-Table para optimizar el espacio de decisión, guiar las decisiones de los agentes y permitir el uso efectivo de la experiencia histórica. Al mismo tiempo, los agentes evalúan el progreso actual de la tarea y toman decisiones a priori con respecto al próximo agente ejecutivo, lo que permite que el sistema seleccione proactivamente la estructura de flujo de trabajo más adecuada para cada tarea dada. Además, incorporamos mecanismos como la inicialización de arranque en frío, la parada temprana y la poda para mejorar aún más la eficiencia del sistema. Las evaluaciones experimentales en cuatro conjuntos de datos de referencia demuestran la viabilidad y efectividad de nuestro enfoque. En comparación con las líneas de base de última generación, nuestro método logra una mejora promedio de 4.05%, al tiempo que reduce la construcción del flujo de trabajo y los costos de inferencia a solo 30.68%-48.31%de los requeridos por los métodos existentes.
Publicado Originalme en export.arxiv.org El 18 de septiembre de 2025.
Ver Fuente Original
