WorkflowGen:an adaptive workflow generation mechanism driven by trajectory experience

यहाँ शोध पत्र "WorkflowGen: एक प्रक्षेपवक्र अनुभव (trajectory experience) द्वारा संचालित एक अनुकूली वर्कफ़्लो जनरेशन तंत्र" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लार्ज लैंग्वेज मॉडल (LLM) एजेंट जटिल, बहु-चरणीय कार्यों (जैसे, व्यावसायिक प्रश्न, टूल इनवोकेशन, RPA) को निष्पादित करते समय महत्वपूर्ण चुनौतियों का सामना करते हैं। वर्तमान दृष्टिकोण चार प्राथमिक सीमाओं से ग्रस्त हैं:

• अनावश्यक तर्क और उच्च टोकन लागत (Redundant Reasoning & High Token Costs): समान या एक जैसे प्रश्नों के लिए शुरू से पूर्ण, वास्तविक समय की योजना प्रक्रिया को ट्रिगर किया जाता है, जिससे अनावश्यक कम्प्यूटेशनल ओवरहेड और अत्यधिक टोकन खपत होती है।
• निष्पादन अस्थिरता (Execution Instability): वास्तविक समय के LLM इन्फरेंस पर निर्भर रहने से अक्सर चरणों का छूट जाना, गलत पैरामीटर, टूल मिसमैच और अनहैंडल्ड एक्सेप्शन (unhandled exceptions) जैसी समस्याएं आती हैं।
• अप्रभावी ज्ञान उपयोग (Ineffective Knowledge Utilization): ऐतिहासिक निष्पादन लॉग (सफल और विफल दोनों) असंरचित रहते हैं और उन्हें पुन: प्रयोज्य, निष्पादन योग्य ज्ञान में परिवर्तित नहीं किया जाता है।
• अनुकूली रणनीतियों का अभाव (Lack of Adaptive Strategies): सिस्टम क्वेरी समानता के आधार पर इष्टतम जनरेशन पथों को गतिशील रूप से चुनने में विफल रहता है, जिससे जनरेशन की गुणवत्ता और लागत के बीच संतुलन बनाना कठिन हो जाता है।

2. कार्यप्रणाली: WorkflowGen फ्रेमवर्क (Methodology: The WorkflowGen Framework)

WorkflowGen एक अनुकूली फ्रेमवर्क है जिसे टोकन की खपत को कम करने और निष्पादन सफलता दर को अधिकतम करने के लिए डिज़ाइन किया गया है। यह तीन मुख्य तंत्रों से युक्त एक क्लोज्ड-लूप सिस्टम के रूप में कार्य करता है:

A. द्वि-स्तरीय प्रक्षेपवक्र अनुभव निष्कर्षण (Dual-Granularity Trajectory Experience Extraction)

यह सिस्टम कच्चे निष्पादन लॉग को दो स्तरों पर संरचित, पुनर्प्राप्ति योग्य अनुभवों में बदल देता है:

• नोड-स्तर (Node-Level): यह सूक्ष्म विवरण निकालता है जैसे कि एरर फिंगरप्रिंट (एक्सेप्शन आईडी, संदेश), मूल कारण श्रेणियाँ, इष्टतम टूल मैपिंग, मानकीकृत पैरामीटर स्कीमा और एक्सेप्शन-अवॉयडेंस रणनीतियाँ।
• वर्कफ़्लो-स्तर (Workflow-Level): यह प्रक्रिया के पूर्ण टोपोलॉजिकल स्ट्रक्चर को कैप्चर करता है, जिसमें ट्रिगर स्थितियाँ, एक्शन सीक्वेंस, प्रासंगिक डेटा और मेटाडेटा शामिल हैं। यह फिक्स्ड नोड्स और वेरिएबल नोड्स के बीच अंतर करता है।
• भंडारण (Storage): अनुभवों को की-वैल्यू पेयर्स और वेक्टर इंडेक्सिंग का उपयोग करके एक रिपॉजिटरी में संग्रहीत किया जाता है ताकि तेज़ रिट्रीवल संभव हो सके।

B. प्रक्षेपवक्र पुनर्लेखन-संचालित जनरेशन (Trajectory Rewriting-Driven Generation)

पूर्ण री-प्लानिंग के बजाय, WorkflowGen संरचनात्मक पुन: उपयोग (structural reuse) का लाभ उठाता है:

• तंत्र (Mechanism): एक समान ऐतिहासिक प्रक्षेपवपथ की पहचान करने पर, सिस्टम समग्र वर्कफ़्लो संरचना को सुरक्षित रखता है और केवल "वेरिएबल नोड्स" (जैसे, विशिष्ट पैरामीटर या एंटिटीज) पर हल्का पुनर्लेखन (lightweight rewriting) करता है।
• प्रासंगिक शिक्षण (Contextual Learning): सिस्टम प्रॉम्प्ट्स में नोड-स्तरीय अंतर्दृष्टि (सफलता के पैटर्न और विफलता के मामले दोनों) को शामिल किया जाता है ताकि LLM को निर्देशित किया जा सके, जिससे वह ज्ञात समस्याओं से सक्रिय रूप से बच सके।
• पुनरावृत्ति प्रक्रिया (Iterative Process): सिस्टम एक सफल प्रक्षेपवक्र उत्पन्न होने और संग्रहीत होने तक पुनर्लेखन और अनुभव निष्कर्षण के बीच पुनरावृत्ति करता है।

C. तीन-स्तरीय अनुकूली रूटिंग (Three-Tier Adaptive Routing)

एक डायनेमिक फॉलबैक मैकेनिज्म वर्तमान क्वेरी और ऐतिहासिक प्रक्षेपवक्रों के बीच सिमेंटिक समानता ($s$) के आधार पर जनरेशन रणनीति का चयन करता है:

1. रूट A (प्रत्यक्ष पुन: उपयोग - Direct Reuse): यदि $s > 0.99$, तो सिस्टम लगभग शून्य टोकन लागत के साथ संग्रहीत प्रक्षेपवक्र को सीधे निष्पादित करता है।
2. रूट B (पुनर्लेखन-आधारित पुन: उपयोग - Rewriting-Based Reuse): यदि $0.6 < s \le 0.99$, तो सिस्टम संरचना को सुरक्षित रखता है लेकिन वेरिएबल नोड्स को फिर से लिखता है। यह कम टोकन लागत और अनुकूलन क्षमता के बीच संतुलन बनाता है।
3. रूट C (पूर्ण इनिशियलाइजेशन - Full Initialization): यदि $s \le 0.6$ (कम समानता), तो सिस्टम मानक LLM-आधारित प्लानिंग (शुरुआत से) पर वापस चला जाता है, और भविष्य में पुन: उपयोग के लिए नए प्रक्षेपवक्र को संग्रहीत करता है।

3. मुख्य योगदान (Key Contributions)

1. द्वि-स्तरीय निष्कर्षण (Dual-Granularity Extraction): नोड और वर्कफ़्लो दोनों स्तरों पर संरचित, पुन: प्रयोज्य अनुभव निकालने के लिए एक नवीन तंत्र, जो स्रोत पर अनावश्यक तर्क की आवश्यकता को समाप्त करता है।
2. हल्का जनरेशन (Lightweight Generation): "पूर्ण री-प्लानिंग" से "संरचनात्मक पुन: उपयोग + वेरिएबल नोड पुनर्लेखन" की ओर बदलाव, जो LLM इनवोकेशन्स और टोकन उपयोग को काफी कम करता है।
3. अनुकूली रूटिंग रणनीति (Adaptive Routing Strategy): एक तीन-स्तरीय प्रणाली जो डायरेक्ट रीयूज से लेकर रीराइटिंग और फुल इनिशियलाइजेशन तक गतिशील रूप से घटती है, जिससे प्रदर्शन और लागत के बीच अनुकूलन होता है।
4. गुणात्मक सत्यापन (Qualitative Validation): मौजूदा बेसलाइन्स की तुलना में टोकन दक्षता, मजबूती और व्याख्यात्मकता में बेहतर प्रदर्शन प्रदर्शित करने वाला एक व्यापक तुलनात्मक विश्लेषण।

4. परिणाम और मूल्यांकन (Results & Evaluation)

लेखन के समय बड़े पैमाने पर एनोटेटेड इंडस्ट्री डेटासेट्स की कमी के कारण, लेखकों ने तीन बेसलाइन्स के विरुद्ध एक गुणात्मक तुलनात्मक विश्लेषण किया: रियल-टाइम प्लानिंग, स्टैटिक सिंगल-ट्रैजेक्टरी, और बेसिक इन-कॉन्टेक्स्ट लर्निंग।

• टोकन खपत (Token Consumption): WorkflowGen, अनावश्यक पूर्ण पुन: जनरेशन से बचकर, रियल-टाइम प्लानिंग की तुलना में 40% से अधिक और स्टैटिक सिंगल-ट्रैजेक्टरी विधियों की तुलना में 20-30% कम टोकन खपत करता है।
• निष्पादन मजबूती (Execution Robustness): प्रोएक्टिव एरर अवॉयडेंस (फेलियर फिंगरप्रिंट्स का उपयोग करके) और अनुकूली फॉलबैक तंत्रों के माध्यम से, यह मध्यम-समानता वाली क्वेरीज़ पर सफलता दर में 20% का सुधार करता है।
• दक्षता और व्याख्यात्मकता (Efficiency & Interpretability): सिस्टम हल्के तर्क के कारण उच्च प्रतिक्रिया दक्षता प्रदान करता है और "ब्लैक-बॉक्स" रियल-टाइम प्लानिंग के विपरीत, निष्पादन तर्क की पूर्ण पारदर्शिता/ट्रेसेबिलिटी प्रदान करता है।
• तैनाती योग्यता (Deployability): इसका मॉड्यूलर डिज़ाइन और क्रॉस-परिदृश्य अनुकूलन इसे वास्तविक दुनिया के औद्योगिक अनुप्रयोगों के लिए उपयुक्त बनाता है।

5. महत्व (Significance)

WorkflowGen LLM एजेंटों की तैनाती में एक महत्वपूर्ण बाधा को संबोधित करता है: वास्तविक समय के तर्क की उच्च लागत और अस्थिरता। ऐतिहासिक निष्पादन प्रक्षेपवक्रों को एक सीखने योग्य संपत्ति (learnable asset) के रूप में मानकर, यह फ्रेमवर्क एजेंटों को "प्रत्येक उपयोग के साथ सस्ता और अधिक विश्वसनीय" बनने में सक्षम बनाता है। यह स्टेटलेस, दोहराव वाले तर्क (stateless, repetitive reasoning) से स्टेटफुल, अनुभव-संचालित निष्पादन (stateful, experience-driven execution) की ओर प्रतिमान को बदल देता है। यह दृष्टिकोण न केवल परिचालन लागत (टोकन उपयोग) को कम करता है, बल्कि सिस्टम की स्थिरता और व्याख्यात्मकता को भी बढ़ाता है, जो एंटरप्राइज वातावरण में स्केलेबल, स्वायत्त एजेंट वर्कफ़्लो का मार्ग प्रशस्त करता है। भविष्य के कार्यों में व्यापक मात्रात्मक सत्यापन के लिए समर्पित उद्योग डेटासेट्स का निर्माण शामिल है।