FlowEvo：工作流与技能协同进化框架，显著提升智能体任务处理效率

摘要：FlowEvo 是一种无需训练的工作流与技能协同进化框架，旨在提升智能体在复杂任务中的表现。该框架通过在推理阶段编译成功的工作流并将其转化为可调用的技能，存储在持久化的技能库中，并在后续任务中通过直接执行或作为上下文来构建新工作流，从而实现技能与工作流的持续进化。实验结果表明，FlowEvo 在 ALFWorld、HumanEval、MBPP、GSM8K 和 MATH-500 等多个基准测试中均取得领先性能，尤其在 ALFWorld 上，其准确率比最强基线高出 26.4%，同时仅使用约三分之一的 token。

---

背景与动机

大型语言模型（LLM）智能体在处理复杂任务时，通常通过在推理阶段构建工作流来适应任务需求。然而，这些工作流通常在执行后被丢弃，无法被智能体重复利用或进一步优化。现有的技能库虽然提供了一些可重用的执行例程，但这些例程通常是离线组装而成，无法从智能体自身的工作流中动态成长。

技术亮点

• 工作流与技能协同进化：FlowEvo 在推理阶段将成功的工作流编译为可调用的技能，并存储在持久化的技能库中。这些技能可以在后续任务中通过直接执行或作为上下文来构建新工作流，从而实现技能与工作流的持续进化。
• 技能效用追踪与负迁移抑制：FlowEvo 跟踪每个技能的效用，并抑制那些导致负迁移的技能，确保智能体在任务处理中保持高效和稳定。
• 实验结果：在 ALFWorld、HumanEval、MBPP、GSM8K 和 MATH-500 等多个基准测试中，FlowEvo 均取得领先性能。尤其在 ALFWorld 上，其准确率比最强基线高出 26.4%，同时仅使用约三分之一的 token。

行业影响

FlowEvo 的提出为 AI 智能体在复杂任务处理中的性能提升提供了新的思路。其无需训练的特点使其易于部署和应用，尤其适合需要快速适应新任务的场景。此外，FlowEvo 的技能库机制也为 AI 智能体的持续学习和优化提供了新的可能性。

开发者建议

• 快速部署：FlowEvo 的无需训练特性使其易于快速部署和应用，适合需要快速适应新任务的场景。
• 技能库管理：开发者可以利用 FlowEvo 的技能库机制，构建自己的技能库，以实现智能体的持续学习和优化。
• 性能优化：通过调整技能库的大小和内容，开发者可以进一步优化智能体的性能。

---

消息来源：Hugging Face Daily Papers (2026-08-20)

—— 完 ——

主题标签： #FlowEvo #智能体 #工作流 #技能库 #AI推理