摘要

大型语言模型（LLMs）在多个领域中展现出解决复杂任务的显著潜力，通常通过遵循详细指令和操作序列的代理式工作流（agentic workflows）实现。然而，构建此类工作流需要大量人工投入，严重制约了其可扩展性与通用性。尽管近期研究致力于自动化生成与优化工作流，现有方法仍依赖于初始的人工配置，难以实现真正意义上的全自动且高效的流程生成。为应对这一挑战，我们提出将工作流优化重新建模为基于代码表示的工作流空间中的搜索问题，其中调用LLM的节点通过边进行连接。为此，我们提出了AFlow——一种自动化框架，利用蒙特卡洛树搜索（Monte Carlo Tree Search）高效探索该搜索空间，并通过代码修改、树状结构的经验积累以及执行反馈，迭代优化工作流。在六个基准数据集上的实证评估表明，AFlow相较于当前最先进的基线方法平均提升5.7%。此外，AFlow使小型模型在特定任务上的表现超越GPT-4o，同时仅需其推理成本的4.55%（以美元计）。相关代码已开源，地址为：https://github.com/FoundationAgents/AFlow。