LLM智能体工作流优化综述：从静态模板到动态运行时图

随着基于大语言模型（LLM）的系统日益普及，通过构建可执行工作流来解决复杂任务已成为AI应用的重要范式。近日，一篇题为《从静态模板到动态运行时图：LLM智能体工作流优化综述》的论文在arXiv预印本平台发布，系统梳理了这一新兴领域的研究进展。

工作流即智能体计算图

论文将LLM智能体执行任务时构建的工作流抽象为智能体计算图（Agentic Computation Graphs, ACGs）。这些工作流通常交织了多种操作：

这种图结构不仅定义了工作流中包含哪些组件或智能体，还明确了它们之间的依赖关系以及信息流动路径。

论文的核心贡献之一是按工作流结构确定时机对现有方法进行分类：

静态方法：在部署前固定一个可重复使用的工作流框架。这类方法通常基于预定义的模板或模式，适用于任务结构相对稳定的场景。

动态方法：在执行前或执行过程中，为特定运行选择、生成或修订工作流结构。这类方法更具灵活性，能够根据具体输入或运行时状态调整工作流。

为了更系统地定位现有研究，论文提出了一个三维组织框架：

论文还澄清了几个重要概念：

这种区分有助于分离可重用的设计决策与特定运行中实际部署的结构，以及实际运行时行为。

传统评估主要关注下游任务指标，论文提出应补充图级属性的评估维度，包括：

这种结构感知的评估视角能够更全面地衡量工作流优化方法的性能。

这篇综述论文为快速发展的LLM智能体工作流优化领域提供了：

随着LLM智能体在复杂任务中的应用越来越广泛，工作流优化已成为提升系统效率、可靠性和适应性的关键技术。这篇综述不仅总结了现有进展，更为未来的研究方向提供了有价值的框架和视角。