MetaGPT开源自动生成智能体工作流，4.55%成本超GPT-4o
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。
如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
AFLOW 作者团队来自于 MetaGPT 开源社区。AFLOW 论文共同第一作者为香港科技大学（广州）的博士生张佳钇和 DeepWisdom 研究员向劲宇，共同通讯作者为 DeepWisdom 创始人兼 CEO 吴承霖（MetaGPT 代码作者、论文通讯作者）和香港科技大学（广州）的助理教授骆昱宇。作者还包括中国人民大学的于兆洋、滕枫蔚和程信，南京大学 LAMDA 实验室博士生陈雄辉，复旦大学的陈家祺和郑炳南，阿卜杜拉国王科技大学的博士生诸葛鸣晨（MetaGPT 论文共同一作），DeepWisdom 研究员洪思睿（MetaGPT 论文共同一作）和王金淋，蒙特利尔大学与 MILA 实验室的助理教授刘邦.
对于 LLM 从业者来说，让 LLM 落地应用并发挥作用需要手动构建并反复调试 Agentic Workflow，这无疑是个繁琐过程，一遍遍修改相似的代码，调试 prompt，手动执行测试并观察效果，并且换个 LLM 可能就会失效，有高昂的人力成本。许多公司甚至专职招聘 Prompt Engineer 来完成这一工作。
现在，Agentic Workflow 也有自己的自动优化工具了。
MetaGPT 开源了 AFLOW，它使用 MCTS 进行 Agentic Workflow 的自动搜索，可以完全自动地构建与优化 Agentic Workflow 问题，让我们不再需要手写代码、调试提示词。
这是对提示词自动优化的进一步探索，通过蒙特卡洛树搜索，完全接管了 Agentic Workflow 的生成与优化过程，表现远超其他工作流自动优化工作，甚至超越了对比的所有手工工作流基线。
- 论文标题：AFlow: Automating Agentic Workflow Generation
- 论文地址：https://arxiv.org/abs/2410.10762
- 项目地址：https://github.com/geekan/MetaGPT/tree/main/examples/aflow
什么是自动工作流优化问题？
现有的 Agentic Workflow 自动生成工作难以生成有效的工作流，它们往往需要人工介入初始设置，且无法全面捕捉到完成任务所需的工作流多样性。为了克服这些挑战，研究人员提出了 AFLOW 框架。利用蒙特卡洛树搜索（MCTS）技术来系统地探索和优化 LLM 的工作流。AFLOW 通过将工作流定义为代码可表示的节点和边，从而有效地捕捉 LLMs 调用之间的复杂交互。通过引入操作符的概念，AFLOW 进一步简化了搜索空间，提高了搜索效率。在多个基准数据集上的实验结果表明，AFLOW 能够自动发现和优化工作流，显著提高了任务执行的性能，同时减少了对人工干预的依赖。
AFLOW 如何自动优化工作流？
AFLOW 利用蒙特卡洛树搜索（MCTS）来自动化地生成和优化 Agentic Workflow。在 AFLOW 框架中，Operator 扮演着至关重要的角色，它们是预定义的、可重用的节点组合，代表常见的智能体操作（比如审查，投票，生成）。这些 Operator 作为构建工作流的基础构件，被集成到搜索空间中，确保探索过程可以利用已知的有效智能体操作模式。引入 Operator 能够显著提升 AFLOW 框架的搜索效率和工作流的优化效果，减少在庞大搜索空间中的盲目探索。
AFLOW 提出了一种有效生成 Agentic Workflow 的方法，并全面展示了其在降低人力与推理成本上的惊人能力。这一研究成果有望加速 Agent 在各个领域落地的速度，将 Agentic Workflow 的构建过程从专家手工构建转变为小白自动构建。
…
Source: Article Link
感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。
MetaGPT开源自动生成智能体工作流，4.55%成本超GPT-4o
