MoFlow：让智能体工作流一次生成、多目标随需切换
当工作流不再只追求「准确率」
构建 AI 智能体（Agent）系统时，工作流的设计往往决定最终表现。但现实中的需求从来不是单一维度：有时要准确率优先，有时要压低成本，有时要缩短延迟，还要兼顾鲁棒性与一致性。
现有工作流生成方法通常只优化准确率，或把多个目标加权求和成一个分数。这带来一个尴尬的后果——每套生成器只锁定一种固定权衡。用户偏好一变（比如从「重精度」转向「重速度」），模型就得从头重新训练。
MoFlow 的核心思路
来自 arXiv 的论文 《MoFlow: Multi-Objective Agentic Workflow Generation》（作者 Yining Lu、Aurelie Lozano、Xi Yang、Naoki Abe、Yu Deng、Meng Jiang）提出了一个新解法。
MoFlow 把工作流生成建模为多目标马尔可夫决策过程，并用 Convex-Hull Monte Carlo Tree Search（凸包蒙特卡洛树搜索） 配合乐观集合值回溯来求解。关键差异在于：搜索树中的每个节点不再只存一个加权分数，而是保存一组可达的权衡方案。
这意味着一次搜索就能近似覆盖整个 Pareto 前沿。之后无论用户想要哪种偏好组合，MoFlow 都能直接查表返回对应的工作流，无需重新训练。
实验设置与结果
研究团队在覆盖数学、代码、问答的六个基准上，将 MoFlow 与六个强基线对比。
由于基线本质上是单标量优化器，公平比较并不容易。作者特意设计了一套偏向基线的评测方案：让基线针对每一个测试偏好都重新运行，而 MoFlow 从未见过这些偏好。
即便在这种严苛设定下，MoFlow 仍取得了最高的平均超体积（hypervolume），说明它在多目标权衡的整体覆盖上更具优势。
为什么值得关注
随着智能体从演示走向生产，成本、延迟与可靠性正变得和准确率同等重要。MoFlow 的价值在于把「一次训练、按需切换」变成可能，减少了为不同偏好反复训练生成器的开销。
不过需要注意，这是一篇学术预印本，论文中的基准与评测均为研究环境设定，距离实际工程落地还有待验证。
论文编号：arXiv:2609.38294（cs.AI），提交于 2026 年 9 月 29 日。
