From Intent to Execution: Composing Agentic Workflows with Agent Recommendation
本文提出了一种用于构建多智能体系统的自动化框架，该框架以由两阶段智能体推荐器和批判智能体驱动的基于大语言模型的工作流取代了人工规划与智能体选择，在召回率、鲁棒性和可扩展性方面展现出优于现有最先进方法的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你想建造一台复杂的机器，比如一个能为你做三明治、叠衣服和浇花的定制机器人。在过去，要建造这个机器人，你必须手动聘请一位厨师、一位洗衣专家和一位园丁，弄清楚他们彼此该如何沟通，并绘制一张明确谁在何时做什么的地图。这既缓慢又枯燥，需要大量的人力投入。
本文介绍了AutoMAS，这是一个系统，它就像一个超级智能的项目经理，只需聆听你的简单请求，就能自动构建这个“机器人团队”。
以下是该系统的运作方式，通过日常类比分解为简单步骤：
1. “总规划师”（架构师）
首先，你用 plain English（普通英语）告诉系统你想要什么，例如：“我想预订附近最好的墨西哥餐厅的桌子。”
规划师就像一位建筑师。它不会只说“好的”。它会将你的大请求分解成一系列小的、可管理的步骤（子任务），例如：
- 查找最近的墨西哥餐厅。
- 阅读评论以找到最好的一家。
- 打电话进行预订。
系统不会只生成一个简单的列表，而是绘制一张流程图（称为有限状态机）。你可以将其想象成一张拥有多条可能路线的地图。如果第一家餐厅已满，这张地图知道如何瞬间将路线重新导向第二好的选择，而无需你做任何操作。
2. “招聘官”（智能体推荐者）
现在，系统需要为每个步骤找到合适的“工人”（称为智能体）。想象你有一本包含数千名不同专家的厚电话簿（有些擅长查找餐厅，有些擅长阅读评论，有些擅长打电话）。
在一本拥有数千条目的电话簿中找到合适的人是很困难的。本文的系统采用了一个两阶段招聘流程：
- 第一阶段：快速侦察兵（检索器）：这就像一个快速搜索引擎。它扫描整本电话簿，提取出 10 到 20 名可能合适的顶级候选人。它速度很快，但可能会包含一些并非完美的人选。
- 第二阶段：专家面试官（重排序器）：这是一个高度智能的人工智能（大语言模型），它会对这些顶级候选人进行“面试”。它会非常仔细地阅读他们的简历（描述），以确定谁实际上最适合该特定工作。这确保了最终的首选人选是正确的。
3. “简历增强器”（描述丰富化）
有时，工人的简历写得枯燥乏味，与你寻求帮助的方式不匹配。例如，一个工人可能会说：“我处理航班数据”，而你问的是：“我想预订去巴黎的旅行。”
系统有一个特殊的技巧，称为描述丰富化。在搜索开始之前，它利用人工智能重写工人的简历，添加他们能做什么的示例。它将“我处理航班数据”转化为“我处理航班数据，例如预订从纽约到旧金山的旅行”。这使得“快速侦察兵”更容易找到合适的人选。
4. “质量控制检查员”（批判智能体）
即使有出色的招聘官，错误仍会发生。也许系统选择了一个便宜、快速的工人，但他实际上非常不称职；或者也许这些工人彼此配合不佳（比如一位只会说法语的厨师和一位只会说西班牙语的侍者）。
批判智能体就像最终的质量检查员。在工作开始之前，它会审视整个团队和整个计划。它会问：
- “这个团队是否真的符合用户的预算和速度要求？”
- “这些工人的输出是否符合下一个工人的需求？”
如果计划看起来薄弱，批判智能体会将其退回重做，确保最终团队完美无缺。
5. “人类安全网”（人机回环）
该系统设计为主要是自动化的，但它知道何时寻求帮助。如果系统感到困惑或遇到无法解决的情况，它可以暂停并请求人类主管做出快速决定，然后继续自动运行。
他们证明了什么？
作者使用涉及数千种不同“工具”和任务的真实数据对该系统进行了测试。他们发现：
- 他们的两阶段招聘流程（快速侦察兵 + 专家面试官）在寻找合适工人方面，比仅查找关键词的旧方法要好得多。
- 丰富简历（添加示例）使搜索更加准确。
- 添加质量控制检查员（批判）显著改善了最终结果，确保整个计划能够顺畅协同工作。
简而言之：本文描述了一个系统，它将人类的简单愿望转化为一个功能齐全的自动化数字工人团队，完全自主地处理复杂的招聘、调度和质量控制工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。