Global Optimization and Inference-Time Region Grafting for Agentic Workflows
GRAFT 是一种用于智能体工作流的推理时区域移植方法，在保持全局优化工作流的同时，仅对每个输入替换选定的区域。它使用无标签的执行质量信号评估区域级替代方案，并仅接受能改善局部质量且保持工作流一致性的替换。在数学推理、代码生成、多跳和知识密集型问答等任务上，GRAFT 在匹配的优化器和执行器设置下，平均比最强的先前工作流优化方法 MaAS 提高 3.85 分。
Development
- First ReportGlobal Optimization and Inference-Time Region Grafting for Agentic WorkflowsarXiv cs.CL
- Current AssessmentGRAFT 的出现表明智能体工作流优化正在从静态设计转向动态适应，这可能推动智能体系统在复杂任务中的可靠性提升。对于构建智能体平台的团队，这提供了一种无需重新训练即可改进工作流性能的方法，可能降低部署成本。未来信号包括：GRAFT 是否被集成到主流智能体框架中，以及它是否能在生产环境中显著提升任务成功率。Agent Pulse · analysis
GRAFT 是一种新的智能体工作流优化方法，它解决了现有方法在推理时无法适应失败工作流区域的问题。现有方法在任务执行前确定工作流，无法利用执行时的无标签质量信号进行调整。GRAFT 通过保留全局优化的工作流，仅对每个输入局部替换选定的区域，避免了整个工作流重新优化的计算开销。它使用无标签的执行质量信号评估区域级替代方案，并仅接受能改善局部质量且保持工作流一致性的替换。GRAFT 无需参数训练，可应用于数学推理、代码生成、多跳和知识密集型问答等任务。在匹配的优化器和执行器设置下，GRAFT 平均比最强的先前方法 MaAS 提高 3.85 分。
GRAFT 的核心创新在于推理时区域移植，它避免了整个工作流重新优化的计算成本，同时实现了实例级适应。这暗示了智能体工作流优化可能从离线全局优化转向在线局部调整，利用执行时的质量信号进行动态改进。未来的信号可能包括：GRAFT 在更大规模任务上的扩展性，以及它与其他推理时优化技术（如自适应计算）的结合。
GRAFT 的出现表明智能体工作流优化正在从静态设计转向动态适应，这可能推动智能体系统在复杂任务中的可靠性提升。对于构建智能体平台的团队，这提供了一种无需重新训练即可改进工作流性能的方法，可能降低部署成本。未来信号包括：GRAFT 是否被集成到主流智能体框架中，以及它是否能在生产环境中显著提升任务成功率。
GRAFT 提供了一种无需重新训练即可优化智能体工作流的方法，可能降低智能体系统的部署和迭代成本。对于提供智能体服务的公司，这可以提升任务成功率，增强产品竞争力。未来信号包括：GRAFT 在商业智能体产品中的采用率，以及它是否成为工作流优化的标准组件。
GRAFT 的推理时适应能力可能成为智能体工作流优化的新方向，未来可能看到更多类似方法出现，结合在线学习或强化学习来进一步提升适应效率。同时，GRAFT 的无标签信号设计可能使其在缺乏标注数据的场景中更具吸引力。