学习何时跳过：高效多智能体 LLM 工作流的反事实归因
英文标题：Learning What to Skip: Counterfactual Credit Assignment for Efficient Multi-Agent LLM Workflows
该论文提出面向多智能体 LLM 工作流的反事实信用分配方法，旨在识别哪些工作流组件可以跳过。多智能体工作流通常包含规划、执行、验证和总结等环节，但各环节的实际价值取决于此前已生成的状态。论文指出，机械执行全部组件可能浪费计算资源，或覆盖已有的正确结果。该研究对开发者设计更高效、更具自适应能力的 Agent 工作流具有参考意义。
打开原文相关 4.8 · 机会 3
2.1 KB
640 B
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
学习何时跳过：高效多智能体 LLM 工作流的反事实归因
arXiv:2609.30734v1 发布类型：新论文
摘要
多智能体 LLM 工作流通过规划、执行、验证和总结来提升任务表现，但每个组件的价值取决于此前已经生成的状态。执行所有组件可能会浪费计算资源，或覆盖一个正确的……
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×